group-by - Pyspark groupby 然后在组内排序

Question

我有一个包含 id、offset、text 的表。假设输入:

id offset text
1  1      hello 
1  7      world
2  1      foo

我想要这样的输出:

id text
1  hello world
2  foo

我正在使用:

df.groupby(id).agg(concat_ws("",collect_list(text))

但我不知道如何确保文本中的顺序。我做了 sort之前 groupby数据，但我听说 groupby可能会打乱数据。有没有办法做 sort组内后 groupby数据？

Answer 1

这将创建一个必需的 df:

df1 = sqlContext.createDataFrame([("1", "1","hello"), ("1", "7","world"), ("2", "1","foo")], ("id", "offset" ,"text" ))
display(df1)

那么您可以使用以下代码，可以进一步优化:

@udf
def sort_by_offset(col):
  result =""
  text_list = col.split("-")
  for i in range(len(text_list)):
    text_list[i] = text_list[i].split(" ")
    text_list[i][0]=int(text_list[i][0])
  text_list = sorted(text_list, key=lambda x: x[0], reverse=False)
  for i in range(len(text_list)):
    result = result+ " " +text_list[i][1]
  return result.lstrip()
df2 = df1.withColumn("offset_text",concat(col("offset"),lit(" "),col("text")))
df3 = df2.groupby(col("id")).agg(concat_ws("-",collect_list(col("offset_text"))).alias("offset_text"))
df4 = df3.withColumn("text",sort_by_offset(col("offset_text")))
display(df4)

最终输出: