我有一个 Spark SQL DataFrame
带有数据,我想要获取的是给定日期范围内当前行之前的所有行。因此,例如,我希望在给定行之前拥有 7 天前的所有行。我发现我需要使用 Window Function
喜欢:
Window \
.partitionBy('id') \
.orderBy('start')
问题来了。我想要一个
rangeBetween
7 天,但我在 Spark 文档中找不到任何内容。 Spark 甚至提供这样的选项吗?现在我只是得到所有前面的行:.rowsBetween(-sys.maxsize, 0)
但想要实现以下目标:
.rangeBetween("7 days", 0)
如果有人可以帮助我解决这个问题,我将不胜感激。提前致谢!
最佳答案
Spark >= 2.3
从 Spark 2.3 开始,可以使用 SQL API 使用间隔对象,但 DataFrame
API 支持是 still work in progress .
df.createOrReplaceTempView("df")
spark.sql(
"""SELECT *, mean(some_value) OVER (
PARTITION BY id
ORDER BY CAST(start AS timestamp)
RANGE BETWEEN INTERVAL 7 DAYS PRECEDING AND CURRENT ROW
) AS mean FROM df""").show()
## +---+----------+----------+------------------+
## | id| start|some_value| mean|
## +---+----------+----------+------------------+
## | 1|2015-01-01| 20.0| 20.0|
## | 1|2015-01-06| 10.0| 15.0|
## | 1|2015-01-07| 25.0|18.333333333333332|
## | 1|2015-01-12| 30.0|21.666666666666668|
## | 2|2015-01-01| 5.0| 5.0|
## | 2|2015-01-03| 30.0| 17.5|
## | 2|2015-02-01| 20.0| 20.0|
## +---+----------+----------+------------------+
Spark < 2.3
据我所知,在 Spark 和 Hive 中都不可能直接使用。两者都需要
ORDER BY
与 RANGE
一起使用的子句为数字。我发现的最接近的事情是转换为时间戳并以秒为单位进行操作。假设 start
列包含 date
类型:from pyspark.sql import Row
row = Row("id", "start", "some_value")
df = sc.parallelize([
row(1, "2015-01-01", 20.0),
row(1, "2015-01-06", 10.0),
row(1, "2015-01-07", 25.0),
row(1, "2015-01-12", 30.0),
row(2, "2015-01-01", 5.0),
row(2, "2015-01-03", 30.0),
row(2, "2015-02-01", 20.0)
]).toDF().withColumn("start", col("start").cast("date"))
一个小助手和窗口定义:
from pyspark.sql.window import Window
from pyspark.sql.functions import mean, col
# Hive timestamp is interpreted as UNIX timestamp in seconds*
days = lambda i: i * 86400
最后查询:
w = (Window()
.partitionBy(col("id"))
.orderBy(col("start").cast("timestamp").cast("long"))
.rangeBetween(-days(7), 0))
df.select(col("*"), mean("some_value").over(w).alias("mean")).show()
## +---+----------+----------+------------------+
## | id| start|some_value| mean|
## +---+----------+----------+------------------+
## | 1|2015-01-01| 20.0| 20.0|
## | 1|2015-01-06| 10.0| 15.0|
## | 1|2015-01-07| 25.0|18.333333333333332|
## | 1|2015-01-12| 30.0|21.666666666666668|
## | 2|2015-01-01| 5.0| 5.0|
## | 2|2015-01-03| 30.0| 17.5|
## | 2|2015-02-01| 20.0| 20.0|
## +---+----------+----------+------------------+
远非漂亮但有效。
* Hive Language Manual, Types
关于sql - Spark 窗口函数 - rangeBetween 日期,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56434415/