python - 如何在 PySpark 中使用窗口函数？

Question

我正在尝试对数据框使用一些 Windows 函数(ntile 和 percentRank)，但我不知道如何使用它们。

谁能帮我解决这个问题？在Python API documentation没有关于它的例子。

具体来说，我正在尝试获取数据框中数字字段的分位数。

我正在使用 spark 1.4.0。

Answer 1

要使用窗口函数，您必须先创建一个窗口。定义与普通 SQL 几乎相同，这意味着您可以定义顺序、分区或两者。首先让我们创建一些虚拟数据:

import numpy as np
np.random.seed(1)

keys = ["foo"] * 10 + ["bar"] * 10
values = np.hstack([np.random.normal(0, 1, 10), np.random.normal(10, 1, 100)])

df = sqlContext.createDataFrame([
   {"k": k, "v": round(float(v), 3)} for k, v in zip(keys, values)])

确保您使用的是 HiveContext(仅限 Spark < 2.0):

from pyspark.sql import HiveContext

assert isinstance(sqlContext, HiveContext)

创建一个窗口:

from pyspark.sql.window import Window

w =  Window.partitionBy(df.k).orderBy(df.v)

相当于

(PARTITION BY k ORDER BY v) 

在 SQL 中。

根据经验，窗口定义应始终包含 PARTITION BY 子句，否则 Spark 会将所有数据移动到单个分区。 ORDER BY 对于某些函数是必需的，而在不同情况下(通常是聚合)可能是可选的。

还有两个可选项可用于定义窗口范围 - ROWS BETWEEN 和 RANGE BETWEEN。在这种特定情况下，这些对我们没有用。

最后我们可以用它来查询:

from pyspark.sql.functions import percentRank, ntile

df.select(
    "k", "v",
    percentRank().over(w).alias("percent_rank"),
    ntile(3).over(w).alias("ntile3")
)

请注意，ntile 与分位数没有任何关系。