python - Spark 使用前一行的值向数据帧添加新列

Question

我想知道如何在 Spark (Pyspark) 中实现以下目标

初始数据框:

+--+---+
|id|num|
+--+---+
|4 |9.0|
+--+---+
|3 |7.0|
+--+---+
|2 |3.0|
+--+---+
|1 |5.0|
+--+---+

生成的数据框:

+--+---+-------+
|id|num|new_Col|
+--+---+-------+
|4 |9.0|  7.0  |
+--+---+-------+
|3 |7.0|  3.0  |
+--+---+-------+
|2 |3.0|  5.0  |
+--+---+-------+

我通常设法通过使用类似以下内容将新列“附加”到数据框:df.withColumn("new_Col", df.num * 10)

但是，我不知道如何实现新列的“行移位”，以便新列具有前一行的字段值(如示例所示)。我在 API 文档中也找不到有关如何通过索引访问 DF 中的特定行的任何内容。

如有任何帮助，我们将不胜感激。

Answer 1

您可以使用lag窗口函数，如下所示

from pyspark.sql.functions import lag, col
from pyspark.sql.window import Window

df = sc.parallelize([(4, 9.0), (3, 7.0), (2, 3.0), (1, 5.0)]).toDF(["id", "num"])
w = Window().partitionBy().orderBy(col("id"))
df.select("*", lag("num").over(w).alias("new_col")).na.drop().show()

## +---+---+-------+
## | id|num|new_col|
## +---+---+-------|
## |  2|3.0|    5.0|
## |  3|7.0|    3.0|
## |  4|9.0|    7.0|
## +---+---+-------+

但有一些重要的问题:

1. 如果您需要全局操作(不被其他列分区)，那么效率极低。
2. 您需要一种自然的方式来排序数据。

虽然第二个问题几乎从来都不是问题，但第一个问题可能会破坏交易。如果是这种情况，您只需将 DataFrame 转换为 RDD 并手动计算 lag 即可。参见示例:

• How to transform data with sliding window over time series data in Pyspark
• Apache Spark Moving Average (用 Scala 编写，但可以针对 PySpark 进行调整。请务必先阅读注释)。

其他有用的链接:

• https://github.com/UrbanInstitute/pyspark-tutorials/blob/master/05_moving-average-imputation.ipynb
• Spark Window Functions - rangeBetween dates