python - 从两个日期列填充按月数据框-6ren

python - 从两个日期列填充按月数据框

转载作者：太空狗更新时间：2023-10-30 02:35:52

我有一个像这样的 PySpark 数据框，

+----------+--------+----------+----------+
|id_       | p      |d1        |  d2      |
+----------+--------+----------+----------+
|  1       | A      |2018-09-26|2018-10-26|
|  2       | B      |2018-06-21|2018-07-19|
|  2       | B      |2018-08-13|2018-10-07|
|  2       | B      |2018-12-31|2019-02-27|
|  2       | B      |2019-05-28|2019-06-25|
|  3       |C       |2018-06-15|2018-07-13|
|  3       |C       |2018-08-15|2018-10-09|
|  3       |C       |2018-12-03|2019-03-12|
|  3       |C       |2019-05-10|2019-06-07|
| 4        | A      |2019-01-30|2019-03-01|
| 4        | B      |2019-05-30|2019-07-25|
| 5        |C       |2018-09-19|2018-10-17|
-------------------------------------------

我必须从这个数据框派生出另一个有 n 列的数据框。其中每一列是从 month(min(d1)) 到 month(max(d2)) 的月份。

我想在派生数据框中为实际数据框中的一行添加一个列值，并且列值必须是该月的天数。

例如，

对于第一行，其中 id_ 是 1 并且 p 是 A，我想得到一行在派生数据框中，201809 列的值为 5，201810 列的值为 26。

对于 id_ 为 2 且 p 为 B 的第二行，我想在201806 列应为 9 且 201807 应为 19 的派生数据框。

对于倒数第二行，我希望列 201905 填充值 1，列 201906 填充值 30，201907 和 25。

所以基本上，我希望以这种方式填充数据框，对于原始数据框中的每一行，我在派生数据框中都有一行，其中应填充表中对应于月份的列，因为范围从 min(d1) 到 max(d2)，值为该特定月份涵盖的天数。

我目前正在艰难地做这件事。我正在制作 n 列，其中列的日期范围从 min(d1) 到 max(d2)。我用 1 填充这些列，然后融合数据并根据 value 进行过滤。最后聚合此数据框以获得我想要的结果，然后选择最大值 p。

在代码中，

d = df.select(F.min('d1').alias('d1'), F.max('d2').alias('d2')).first()

cols = [ c.strftime('%Y-%m-%d') for c in pd.period_range(d.d1, d.d2, freq='D') ]

result = df.select('id_', 'p', *[ F.when((df.d1 <= c)&(df.d2 >= c), 1).otherwise(0).alias(c) for c in cols ])

melted_data = melt(result, id_vars=['id_','p'], value_vars=cols)

melted_data = melted_data.withColumn('Month', F.substring(F.regexp_replace('variable', '-', ''), 1, 6))

melted_data = melted_data.groupBy('id_', 'Month', 'p').agg(F.sum('value').alias('days'))

melted_data = melted_data.orderBy('id_', 'Month', 'days', ascending=[False, False, False])

final_data = melted_data.groupBy('id_', 'Month').agg(F.first('p').alias('p'))

此代码需要花费大量时间才能在合适的配置下运行。我该如何改进？

我怎样才能以更优化的方式完成这项任务？让每个日期都在范围内似乎不是最好的解决方案。

所需输出的一小部分如下所示，

+---+---+----------+----------+----------+----------+-------+
|id_|p  |201806    |201807    |201808    | 201809   | 201810|
+---+---+----------+----------+----------+----------+-------+
| 1 | A |         0|        0 |         0|      4   | 26    |
| 2 | B |         9|        19|         0|      0   | 0     |
| 2 | B |         0|        0 |        18|      30  | 7     |
+---+---+----------+----------+----------+----------+-------+

最佳答案

我认为由于 freq='D' 和对数据集的多次转换，它正在变慢。

请尝试以下:

编辑 1:季度更新

编辑 2:根据评论，开始日期应包含在最终结果中

编辑 3:根据评论，每日更新

准备好的数据

#Imports
import pyspark.sql.functions as f
from pyspark.sql.functions import when
import pandas as pd

 df.show()
+---+---+----------+----------+
| id|  p|        d1|        d2|
+---+---+----------+----------+
|  1|  A|2018-09-26|2018-10-26|
|  2|  B|2018-06-21|2018-07-19|
|  2|  B|2018-08-13|2018-10-07|
|  2|  B|2018-12-31|2019-02-27|
|  2|  B|2019-05-28|2019-06-25|
|  3|  C|2018-06-15|2018-07-13|
|  3|  C|2018-08-15|2018-10-09|
|  3|  C|2018-12-03|2019-03-12|
|  3|  C|2019-05-10|2019-06-07|
|  4|  A|2019-01-30|2019-03-01|
|  4|  B|2019-05-30|2019-07-25|
|  5|  C|2018-09-19|2018-10-17|
|  5|  C|2019-05-16|2019-05-29| # --> Same month case
+---+---+----------+----------+

从具有月份频率的数据集中获取最小和最大日期 freq='M'

d = df.select(f.min('d1').alias('min'), f.max('d2').alias('max')).first()
dates = pd.period_range(d.min, d.max, freq='M').strftime("%Y%m").tolist()
dates
['201806', '201807', '201808', '201809', '201810', '201811', '201812', '201901', '201902', '201903', '201904', '201905', '201906', '201907']

现在，使用 spark 日期运算符和函数的最终业务逻辑

df1 = df.select('id', 
    'p', 
    'd1',
    'd2', *[ (when( (f.trunc(df.d1, "month") == f.trunc(df.d2, "month")) & (f.to_date(f.lit(c),'yyyyMM') == f.trunc(df.d1, "month"))
                        , f.datediff(df.d2 , df.d1) +1 ) # Same month ((Last day - First dat) + 1
        .when(f.to_date(f.lit(c),'yyyyMM') == f.trunc(df.d1, "month") , 
                        f.datediff(f.last_day(f.to_date(f.lit(c),'yyyyMM')) , df.d1) +1 ) # d1 date (Last day - current day)
        .when(f.to_date(f.lit(c),'yyyyMM') == f.trunc(df.d2, "month") , 
                    f.datediff(df.d2, f.to_date(f.lit(c),'yyyyMM')) +1 ) # d2 date (Currentday - Firstday) 
        .when(f.to_date(f.lit(c),'yyyyMM').between(f.trunc(df.d1, "month"), df.d2), 
                    f.dayofmonth(f.last_day(f.to_date(f.lit(c),'yyyyMM')))) # Between date (Total days in month)
        ).otherwise(0) # Rest of the months (0)
    .alias(c) for c in dates ])

df1.show()
+---+---+----------+----------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+
| id|  p|        d1|        d2|201806|201807|201808|201809|201810|201811|201812|201901|201902|201903|201904|201905|201906|201907|
+---+---+----------+----------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+
|  1|  A|2018-09-26|2018-10-26|     0|     0|     0|     5|    26|     0|     0|     0|     0|     0|     0|     0|     0|     0|
|  2|  B|2018-06-21|2018-07-19|    10|    19|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|
|  2|  B|2018-08-13|2018-10-07|     0|     0|    19|    30|     7|     0|     0|     0|     0|     0|     0|     0|     0|     0|
|  2|  B|2018-12-31|2019-02-27|     0|     0|     0|     0|     0|     0|     1|    31|    27|     0|     0|     0|     0|     0|
|  2|  B|2019-05-28|2019-06-25|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     4|    25|     0|
|  3|  C|2018-06-15|2018-07-13|    16|    13|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|
|  3|  C|2018-08-15|2018-10-09|     0|     0|    17|    30|     9|     0|     0|     0|     0|     0|     0|     0|     0|     0|
|  3|  C|2018-12-03|2019-03-12|     0|     0|     0|     0|     0|     0|    29|    31|    28|    12|     0|     0|     0|     0|
|  3|  C|2019-05-10|2019-06-07|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|    22|     7|     0|
|  4|  A|2019-01-30|2019-03-01|     0|     0|     0|     0|     0|     0|     0|     2|    28|     1|     0|     0|     0|     0|
|  4|  B|2019-05-30|2019-07-25|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     2|    30|    25|
|  5|  C|2018-09-19|2018-10-17|     0|     0|     0|    12|    17|     0|     0|     0|     0|     0|     0|     0|     0|     0|
|  5|  C|2019-05-16|2019-05-29|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|     0|    14|     0|     0|
+---+---+----------+----------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+

编辑 2:季度范围更新:

注意:从 @jxc 的回答中获取季度日期范围字典。我们更感兴趣的是这里的最优解。 @jxc 做得很好，除非出现性能问题，否则没有必要重新发明轮子。

创建日期范围字典:

q_dates = dict([
    (str(c), [ c.to_timestamp().strftime("%Y-%m-%d") ,(c.to_timestamp() + pd.tseries.offsets.QuarterEnd()).strftime("%Y-%m-%d")
     ]) for c in pd.period_range(d.min, d.max, freq='Q')
])


# {'2018Q2': ['2018-04-01', '2018-06-30'], 
# '2018Q3': ['2018-07-01', '2018-09-30'], 
# '2018Q4': ['2018-10-01', '2018-12-31'], 
# '2019Q1': ['2019-01-01', '2019-03-31'], 
# '2019Q2': ['2019-04-01', '2019-06-30'], 
# '2019Q3': ['2019-07-01', '2019-09-30']}

现在在季度上应用业务逻辑。

df1 = df.select('id', 
    'p', 
    'd1',
    'd2', 
    *[(when( (df.d1.between(q_dates[c][0], q_dates[c][1])) & (f.trunc(df.d1, "month") == f.trunc(df.d2, "month")), 
        f.datediff(df.d2 , df.d1) +1 ) # Same month ((Last day - start day) +1 )
    .when(df.d1.between(q_dates[c][0], q_dates[c][1]), 
        f.datediff(f.to_date(f.lit(q_dates[c][1])), df.d1) +1) # Min date , remaining days (Last day of quarter - Min day)
    .when(df.d2.between(q_dates[c][0], q_dates[c][1]), 
        f.datediff(df.d2, f.to_date(f.lit(q_dates[c][0]))) +1 ) # Max date , remaining days (Max day - Start day of quarter )
    .when(f.to_date(f.lit(q_dates[c][0])).between(df.d1, df.d2), 
        f.datediff(f.to_date(f.lit(q_dates[c][1])), f.to_date(f.lit(q_dates[c][0]))) +1) # All remaining days
    ).otherwise(0)
    .alias(c) for c in q_dates ])

df1.show()
+---+---+----------+----------+------+------+------+------+------+------+
| id|  p|        d1|        d2|2018Q2|2018Q3|2018Q4|2019Q1|2019Q2|2019Q3|
+---+---+----------+----------+------+------+------+------+------+------+
|  1|  A|2018-09-26|2018-10-26|     0|     5|    26|     0|     0|     0|
|  2|  B|2018-06-21|2018-07-19|    10|    19|     0|     0|     0|     0|
|  2|  B|2018-08-13|2018-10-07|     0|    49|     7|     0|     0|     0|
|  2|  B|2018-12-31|2019-02-27|     0|     0|     1|    58|     0|     0|
|  2|  B|2019-05-28|2019-06-25|     0|     0|     0|     0|    34|     0|
|  3|  C|2018-06-15|2018-07-13|    16|    13|     0|     0|     0|     0|
|  3|  C|2018-08-15|2018-10-09|     0|    47|     9|     0|     0|     0|
|  3|  C|2018-12-03|2019-03-12|     0|     0|    29|    71|     0|     0|
|  3|  C|2019-05-10|2019-06-07|     0|     0|     0|     0|    52|     0|
|  4|  A|2019-01-30|2019-03-01|     0|     0|     0|    61|     0|     0|
|  4|  B|2019-05-30|2019-07-25|     0|     0|     0|     0|    32|    25|
|  5|  C|2018-09-19|2018-10-17|     0|    12|    17|     0|     0|     0|
|  5|  C|2019-05-16|2019-05-29|     0|     0|     0|     0|    14|     0|
+---+---+----------+----------+------+------+------+------+------+------+

编辑 3:根据评论，每日更新

由于这里评价比较多，在性能方面需要谨慎。

方法 1:数据框/数据集

获取 yyyy-MM-dd 格式但作为字符串的日期列表

df_dates = pd.period_range(d.min, d.max, freq='D').strftime("%Y-%m-%d").tolist()

现在业务逻辑很简单了。要么是 1 要么是 0

df1 = df.select('id'
    , 'p'
    , 'd1'
    ,'d2'
    , *[ (when(f.lit(c).between (df.d1, df.d2),1)) # For date rabge 1
        .otherwise(0) # For rest of days
        .alias(c) for c in df_dates ])

df1.show()

+---+---+----------+----------+----------+----------+----------+
| id|  p|        d1|        d2|2018-06-15|2018-06-16|2018-06-17| # and so on....
+---+---+----------+----------+----------+----------+----------+
|  1|  A|2018-09-26|2018-10-26|         0|         0|         0|
|  2|  B|2018-06-21|2018-07-19|         0|         0|         0|
|  2|  B|2018-08-13|2018-10-07|         0|         0|         0|
|  2|  B|2018-12-31|2019-02-27|         0|         0|         0|
|  2|  B|2019-05-28|2019-06-25|         0|         0|         0|
|  3|  C|2018-06-15|2018-07-13|         1|         1|         1|
|  3|  C|2018-08-15|2018-10-09|         0|         0|         0|
|  3|  C|2018-12-03|2019-03-12|         0|         0|         0|
|  3|  C|2019-05-10|2019-06-07|         0|         0|         0|
|  4|  A|2019-01-30|2019-03-01|         0|         0|         0|
|  4|  B|2019-05-30|2019-07-25|         0|         0|         0|
|  5|  C|2018-09-19|2018-10-17|         0|         0|         0|
|  5|  C|2019-05-16|2019-05-29|         0|         0|         0|
+---+---+----------+----------+----------+----------+----------+
# Due to answer character limit unable to give the result.

方法 2:RDD 评估

获取日期列表作为日期对象

rdd_dates = [ c.to_timestamp().date() for c in pd.period_range(d.min, d.max, freq='D') ]

使用 rdd 中的 map


df1 = df \
.rdd \
.map(lambda x : tuple([x.id, x.p, x.d1, x.d2 , *[ 1 if ( x.d1 <= c <=x.d2) else  0 for c in rdd_dates]])) \
.toDF(df.columns + [ c.strftime("%Y-%m-%d") for c in rdd_dates])

df1.show()

+---+---+----------+----------+----------+----------+----------+
| id|  p|        d1|        d2|2018-06-15|2018-06-16|2018-06-17| # and so on....
+---+---+----------+----------+----------+----------+----------+
|  1|  A|2018-09-26|2018-10-26|         0|         0|         0|
|  2|  B|2018-06-21|2018-07-19|         0|         0|         0|
|  2|  B|2018-08-13|2018-10-07|         0|         0|         0|
|  2|  B|2018-12-31|2019-02-27|         0|         0|         0|
|  2|  B|2019-05-28|2019-06-25|         0|         0|         0|
|  3|  C|2018-06-15|2018-07-13|         1|         1|         1|
|  3|  C|2018-08-15|2018-10-09|         0|         0|         0|
|  3|  C|2018-12-03|2019-03-12|         0|         0|         0|
|  3|  C|2019-05-10|2019-06-07|         0|         0|         0|
|  4|  A|2019-01-30|2019-03-01|         0|         0|         0|
|  4|  B|2019-05-30|2019-07-25|         0|         0|         0|
|  5|  C|2018-09-19|2018-10-17|         0|         0|         0|
|  5|  C|2019-05-16|2019-05-29|         0|         0|         0|
+---+---+----------+----------+----------+----------+----------+

关于python - 从两个日期列填充按月数据框，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/57698752/

文章推荐： python - 如何将列表项附加到数据框中的特定列？

文章推荐： python - 如何根据数据框另一列中的条件在列中找到最小值？

文章推荐： python - csv 列中的连字符/未知数据导致 int 转换错误

文章推荐： python - 带条件调用的字典理解嵌套列表理解

android -/数据/数据/在哪里？
初学者 android 问题。好的，我已经成功写入文件。例如。 //获取文件名 String filename = getResources().getString(R.string.filename
安卓/数据/数据/mypackage/img
我已经将相同的图像保存到/data/data/mypackage/img/中，现在我想显示这个全屏，我曾尝试使用 ACTION_VIEW 来显示 android 标准程序，但它不是从/data/dat
ios - Swift 4:无法将“数据”类型的值转换为预期的参数类型“数据”
我正在使用Xcode 9，Swift 4。我正在尝试使用以下代码从URL在ImageView中显示图像: func getImageFromUrl(sourceUrl: String) -> UII
android - 基因运动。如何从设备中提取数据库。我的/数据/数据/文件夹似乎是空的
我的 Ubuntu 安装 genymotion 有问题。主要是我无法调试我的数据库，因为通过 eclipse 中的 DBMS 和 shell 中的 adb 我无法查看/data/文件夹的内容。没有显示
php - JSON 数据 ajax 不是正确的 POST 数据
我正在尝试用 PHP 发布一些 JSON 数据。但是出了点问题。这是我的 html -- {% for x in sets %}
r - lm(数据~时间)和tslm(数据~趋势)有什么区别
我观察到两种方法的结果不同。为什么是这样？我知道 lm 上发生了什么，但无法弄清楚 tslm 上发生了什么。 > library(forecast) > set.seed(2) > tts lm(t
Spring 数据 JPA 和 Spring 数据 Elasticsearch ；找不到类型的属性索引？
我不确定为什么会这样!我有一个由 spring data elasticsearch 和 spring data jpa 使用的类，但是当我尝试运行我的应用程序时出现错误。 Error creatin
d3.js - 数据过滤器适用于 json 数据，但不适用于 csv 数据
在 this vega 图表，如果我下载并转换 flare-dependencies.json使用以下 jq 到 csv命令， jq -r '(map(keys) | add | unique) as
php - 在 .php 文件中发送 mysql 数据/mysql 数据
我正在提交一个项目，我必须在其中创建一个带有表的 mysql 数据库。一切都在我这边进行，所以我只想检查如何将我所有的压缩文件发送给使用不同计算机的人。基本上，我如何为另一台计算机创建我的数据库文件，
android - 如何使用 Android Device Monitor 的文件资源管理器查找我的应用程序/数据/数据
我有一个应用程序可以将文本文件写入内部存储。我想仔细看看我的电脑。我运行了 Toast.makeText 来显示路径，它说:/数据/数据/我的包但是当我转到 Android Studio 的 An
android - 如何从 Genymotion 的 android 模拟器访问文件/数据/数据？
我喜欢使用 Genymotion 模拟器以如此出色的速度加载 Android。它有非常好的速度，但仍然有一些不稳定的性能。如何从 Eclipse 中的文件资源管理器访问 Genymotion 模拟器
silverlight - 如果我在 setter 中使用不同的值更改绑定(bind)数据，如何刷新绑定(bind)数据
我需要更改 Silverlight 中文本框的格式。数据通过 MVVM 绑定(bind)。例如，有一个 int 属性，我将 1 添加到 setter 中的值并调用 OnPropertyChanged
youtube - 通过 YouTube 数据 API 访问公共(public)数据，无需身份验证。
我想向 Youtube Data API 提出请求，但我不需要访问任何用户信息。我只想浏览公共(public)视频并根据搜索词显示视频。我可以在未经授权的情况下这样做吗？最佳答案 YouTube
python - 无法让 twilio 显示 'from' 数据，但它会显示 'to' 数据
我已经设置了一个 Twilio 应用程序，我想向人们发送更新，但我不想回复单个文本。我只是想让他们在有问题时打电话。我一切正常，但我想在发送文本时显示传入文本，以确保我不会错过任何问题。我正在使用 p
javascript - 向客户端发送 JSON 数据？ D3.js 渲染 JSON 数据
我有一个带有表单的网站(目前它是纯 HTML，但我们正在切换到 JQuery)。流程是这样的: 接受用户的输入 --- 5 个整数通过 REST 调用网络服务在服务器端运行一些计算...并生成一个
javascript - 如何检测一个 JavaScript 文件只包含 JSON 数据，还是打算包含 JSON 数据？
假设我们有一个名为 configuration.js 的文件，当我们查看内部时，我们会看到: 'use strict'; var profile = { "project": "%Projec
javascript - 在初始 .ajax 调用之外使用 JSON 数据 - 访问剩余的 JSON 数据
这部分是对 Previous Question 的扩展我的: 我现在可以从我的 CI Controller 成功返回 JSON 数据，它返回: {"results":[{"id":"1","Sourc
ios - 删除所有 Couchbase 数据/文档 ios(或删除所有 ios 数据？)
有什么有效的方法可以删除 ios 中 CBL 的所有文档存储？我对此有疑问，或者，如果有人知道如何从本质上使该应用程序像刚刚安装一样，那也会非常有帮助。我们正在努力确保我们的注销实际上将应用程序设置为
javascript - $.post(url, 函数(数据,状态) {警报(数据)});警报()不工作
我有一个 Rails 应用程序，它与其他 Rails 应用程序通信以进行数据插入。我使用 jQuery $.post 方法进行数据插入。对于插入，我的其他 Rails 应用程序显示 200 OK。但在
javascript - 断言错误 : expected { status: 'SUCCESS' , 数据 : [] } to equal { Object (status, 数据)}
我正在为服务于发布请求的 API 调用运行单元测试。我正在传递请求正文，并且必须将响应作为帐户数据返回。但我只收到断言错误注意:数据是从 Azure 中获取的 spec.js const accou

太空狗

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python - 从两个日期列填充按月数据框