python - PySpark sql 比较每天的记录并报告差异

Question

所以我遇到的问题是我有这个数据集:

它显示企业在特定日期开展业务。我想要实现的是报告哪一天添加了哪些业务。也许我正在寻找一些答案:

我成功地使用这个sql整理了所有记录:

select [Date]
,Mnemonic
,securityDesc
,sum(cast(TradedVolume as money)) as TradedVolumSum
FROM SomeTable
group by [Date],Mnemonic,securityDesc

但我不知道如何将每天的记录与另一天的记录进行比较，并将第二天不存在的记录导出到另一个表。我厌倦了分区语句上的 sql，但这使它变得复杂。我可以使用 sql 或 Pyspark sql python 组合。

你能告诉我如何解决这个问题吗？

Answer 1

下面是您问题的数据框操作，您可能需要稍微调整一下，因为我没有示例数据，通过查看您的数据编写代码，请告诉我这是否解决了您的问题:

import pyspark.sql.functions as F
from pyspark.sql import Window

some_win = Window.partitionBy("securityDesc").orderBy(F.col("[date]").asc())
some_table.withColumn(
    "buisness_added_day",
    F.first(F.col("id")).over(some_win)
).select(
    "buisness_added_day",
    "securityDesc",
    "TradedVolumSum",
    "Mnemonic"
).distinct().orderBy("buisness_added_day").show()