我认为 rangeBetween(start, end) 会查看范围的值(cur_value - start, cur_value + end)。 https://spark.apache.org/docs/2.3.0/api/java/org/apache/spark/sql/expressions/WindowSpec.html
但是,我看到一个示例,他们在时间戳上使用降序 orderBy(),然后将 (unboundedPreceeding, 0) 与 rangeBetween 一起使用。这促使我探索以下示例:
dd = spark.createDataFrame(
[(1, "a"), (3, "a"), (3, "a"), (1, "b"), (2, "b"), (3, "b")],
['id', 'category']
)
dd.show()
# output
+---+--------+
| id|category|
+---+--------+
| 1| a|
| 3| a|
| 3| a|
| 1| b|
| 2| b|
| 3| b|
+---+--------+
它似乎包括值比前一行高 1 的行。
byCategoryOrderedById = Window.partitionBy('category')\
.orderBy(desc('id'))\
.rangeBetween(-1, Window.currentRow)
dd.withColumn("sum", Fsum('id').over(byCategoryOrderedById)).show()
# output
+---+--------+---+
| id|category|sum|
+---+--------+---+
| 3| b| 3|
| 2| b| 5|
| 1| b| 3|
| 3| a| 6|
| 3| a| 6|
| 1| a| 1|
+---+--------+---+
当 start 设置为 -2 时,它包含大于 2 的值,但位于前面的行中。
byCategoryOrderedById = Window.partitionBy('category')\
.orderBy(desc('id'))\
.rangeBetween(-2,Window.currentRow)
dd.withColumn("sum", Fsum('id').over(byCategoryOrderedById)).show()
# output
+---+--------+---+
| id|category|sum|
+---+--------+---+
| 3| b| 3|
| 2| b| 5|
| 1| b| 6|
| 3| a| 6|
| 3| a| 6|
| 1| a| 7|
+---+--------+---+
那么,rangeBetween 与 desc orderBy 的确切行为是什么?
最佳答案
没有很好的记录,但是当使用范围(或基于值的)框架时,升序和降序会影响框架中包含的值的确定。
让我们以您提供的示例为例:
RANGE BETWEEN 1 PRECEDING AND CURRENT ROW
根据方向的顺序,1 PRECEDING
表示:
- current_row_value - 如果 ASC 则为 1
- 如果是 DESC,则当前行值 + 1
考虑分区 b
中值为 1 的行。
按照降序排列,框架包括:
(当前值和所有前面的值,其中 x = 当前值 + 1)= (1, 2)
按照升序排列,框架包括:
(当前值和所有前面的值,其中 x = 当前值 - 1)= (1)
PS:使用带有 desc 排序的 rangeBetween(-1, Window.currentRow)
等同于 rangeBetween(Window.currentRow, 1)
使用 asc 排序。
关于apache-spark - Spark RangeBetween 如何使用降序排列?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59571231/