python - Pyspark SQL 查询以获取特定列的 +/- 20% 的行

Question

我有以下 pyspark df:

+------------------+--------+-------+
|                ID|  Assets|Revenue|
+------------------+--------+-------+
|201542399349300619| 1633944|  32850|
|201542399349300629| 3979760| 850914|
|201542399349300634| 3402687|1983568|
|201542399349300724| 1138291|1097553|
|201522369349300122| 1401406|1010828|
|201522369349300137|   16948| 171534|
|201522369349300142|13474056|2285323|
|201522369349300202|  481045| 241788|
|201522369349300207|  700861|1185640|
|201522369349300227|  178479| 267976|
+------------------+--------+-------+

对于每一行，我希望能够获得 Assets 金额的 20% 以内的行。例如，对于第一行 (ID=201542399349300619)，我希望能够获取 Assets 在 1,633,944 的 20% +/- 范围内的所有行(因此在 1,307,155 到 1,960,732 之间):

+------------------+--------+-------+
|                ID|  Assets|Revenue|
+------------------+--------+-------+
|201542399349300619| 1633944|  32850|
|201522369349300122| 1401406|1010828|

使用此子集表，我想获取平均 Assets 并将其添加为新列。所以对于上面的例子，这将是 (1633944+1401406) = 1517675 的平均 Assets

+------------------+--------+-------+---------+
|                ID|  Assets|Revenue|AvgAssets|
+------------------+--------+-------+---------+
|201542399349300619| 1633944|  32850|  1517675|

Answer 1

假设您的 DataFrame 具有类似于以下的架构(即 Assets 和 Revenue 是数字):

df.printSchema()
#root
# |-- ID: long (nullable = true)
# |-- Assets: integer (nullable = true)
# |-- Revenue: integer (nullable = true)

您可以 join在您提出的条件下，DataFrame 本身。加入后，您可以通过对 Assets 列取平均值进行分组和聚合。

例如:

from pyspark.sql.functions import avg, expr

df.alias("l")\
    .join(
        df.alias("r"), 
        on=expr("r.assets between l.assets*0.8 and l.assets*1.2")
    )\
    .groupBy("l.ID", "l.Assets", "l.Revenue")\
    .agg(avg("r.Assets").alias("AvgAssets"))\
    .show()
#+------------------+--------+-------+------------------+
#|                ID|  Assets|Revenue|         AvgAssets|
#+------------------+--------+-------+------------------+
#|201542399349300629| 3979760| 850914|         3691223.5|
#|201522369349300202|  481045| 241788|          481045.0|
#|201522369349300207|  700861|1185640|          700861.0|
#|201522369349300137|   16948| 171534|           16948.0|
#|201522369349300142|13474056|2285323|       1.3474056E7|
#|201522369349300227|  178479| 267976|          178479.0|
#|201542399349300619| 1633944|  32850|         1517675.0|
#|201522369349300122| 1401406|1010828|1391213.6666666667|
#|201542399349300724| 1138291|1097553|         1138291.0|
#|201542399349300634| 3402687|1983568|         3691223.5|
#+------------------+--------+-------+------------------+

由于我们将 DataFrame 连接到自身，我们可以使用别名来引用左表 ("l") 和右表 ("r") .上面的逻辑说加入 l 到 r 条件是 r 中的 Assets 是 l 中 Assets 的 +/20% 。

有多种方法可以表达 +/20% 条件，但我使用 spark-sql between 表达式来查找 Assets * 0.8 和 Assets * 1.2。

然后我们对左表的所有列 (groupBy) 进行聚合，并对右表中的 Assets 进行平均。

生成的 AvgAssets 列是一个 FloatType 列，但您可以通过添加 .cast( "int") 在 .alias("AvgAssets") 之前，如果您喜欢的话。

---

另见:

• What are the various join types in Spark?