- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
给定以下形式的 PySpark DataFrame:
+----+--------+
|time|messages|
+----+--------+
| t01| [m1]|
| t03|[m1, m2]|
| t04| [m2]|
| t06| [m3]|
| t07|[m3, m1]|
| t08| [m1]|
| t11| [m2]|
| t13|[m2, m4]|
| t15| [m2]|
| t20| [m4]|
| t21| []|
| t22|[m1, m4]|
+----+--------+
+----------+--------+-------+
|start_time|end_time|message|
+----------+--------+-------+
| t01| t03| m1|
| t07| t08| m1|
| t22| t22| m1|
| t03| t04| m2|
| t11| t15| m2|
| t06| t07| m3|
| t13| t13| m4|
| t20| t20| m4|
| t22| t22| m4|
+----------+--------+-------+
message
列视为一个序列,并为每条消息标识“运行”的开始和结束),
toPandas
的可能性持开放态度- 如果 Pandas 有一种干净的方法来进行此聚合,则将此操作并在驱动程序上进行累积。
最佳答案
您可以尝试使用前向填充的以下方法(不需要 Spark 2.4+):
步骤 1:执行以下操作:
IF(prev_messages is NULL or !array_contains(prev_messages, message),time,NULL)
IF(array_contains(prev_messages, message),NULL,time)
from pyspark.sql import Window, functions as F
# rows is defined in your own post
df = spark.createDataFrame(rows, ['time', 'messages'])
w1 = Window.partitionBy().orderBy('time')
df1 = df.withColumn('prev_messages', F.lag('messages').over(w1)) \
.withColumn('next_messages', F.lead('messages').over(w1)) \
.withColumn('message', F.explode('messages')) \
.withColumn('start', F.expr("IF(array_contains(prev_messages, message),NULL,time)")) \
.withColumn('end', F.expr("IF(array_contains(next_messages, message),NULL,time)"))
df1.show()
#+----+--------+-------------+-------------+-------+-----+----+
#|time|messages|prev_messages|next_messages|message|start| end|
#+----+--------+-------------+-------------+-------+-----+----+
#| t01| [m1]| null| [m1, m2]| m1| t01|null|
#| t03|[m1, m2]| [m1]| [m2]| m1| null| t03|
#| t03|[m1, m2]| [m1]| [m2]| m2| t03|null|
#| t04| [m2]| [m1, m2]| [m3]| m2| null| t04|
#| t06| [m3]| [m2]| [m3, m1]| m3| t06|null|
#| t07|[m3, m1]| [m3]| [m1]| m3| null| t07|
#| t07|[m3, m1]| [m3]| [m1]| m1| t07|null|
#| t08| [m1]| [m3, m1]| [m2]| m1| null| t08|
#| t11| [m2]| [m1]| [m2, m4]| m2| t11|null|
#| t13|[m2, m4]| [m2]| [m2]| m2| null|null|
#| t13|[m2, m4]| [m2]| [m2]| m4| t13| t13|
#| t15| [m2]| [m2, m4]| [m4]| m2| null| t15|
#| t20| [m4]| [m2]| []| m4| t20| t20|
#| t22|[m1, m4]| []| null| m1| t22| t22|
#| t22|[m1, m4]| []| null| m4| t22| t22|
#+----+--------+-------------+-------------+-------+-----+----+
start
柱子。
w2 = Window.partitionBy('message').orderBy('time')
# for illustration purpose, I used a different column-name so that we can
# compare `start` column before and after ffill
df2 = df1.withColumn('start_new', F.last('start', True).over(w2))
df2.show()
#+----+--------+-------------+-------------+-------+-----+----+---------+
#|time|messages|prev_messages|next_messages|message|start| end|start_new|
#+----+--------+-------------+-------------+-------+-----+----+---------+
#| t01| [m1]| null| [m1, m2]| m1| t01|null| t01|
#| t03|[m1, m2]| [m1]| [m2]| m1| null| t03| t01|
#| t07|[m3, m1]| [m3]| [m1]| m1| t07|null| t07|
#| t08| [m1]| [m3, m1]| [m2]| m1| null| t08| t07|
#| t22|[m1, m4]| []| null| m1| t22| t22| t22|
#| t03|[m1, m2]| [m1]| [m2]| m2| t03|null| t03|
#| t04| [m2]| [m1, m2]| [m3]| m2| null| t04| t03|
#| t11| [m2]| [m1]| [m2, m4]| m2| t11|null| t11|
#| t13|[m2, m4]| [m2]| [m2]| m2| null|null| t11|
#| t15| [m2]| [m2, m4]| [m4]| m2| null| t15| t11|
#| t06| [m3]| [m2]| [m3, m1]| m3| t06|null| t06|
#| t07|[m3, m1]| [m3]| [m1]| m3| null| t07| t06|
#| t13|[m2, m4]| [m2]| [m2]| m4| t13| t13| t13|
#| t20| [m4]| [m2]| []| m4| t20| t20| t20|
#| t22|[m1, m4]| []| null| m4| t22| t22| t22|
#+----+--------+-------------+-------------+-------+-----+----+---------+
df2.selectExpr("message", "start_new as start", "end") \
.filter("end is not NULL") \
.orderBy("message","start").show()
#+-------+-----+---+
#|message|start|end|
#+-------+-----+---+
#| m1| t01|t03|
#| m1| t07|t08|
#| m1| t22|t22|
#| m2| t03|t04|
#| m2| t11|t15|
#| m3| t06|t07|
#| m4| t13|t13|
#| m4| t20|t20|
#| m4| t22|t22|
#+-------+-----+---+
from pyspark.sql import Window, functions as F
# define two Window Specs
w1 = Window.partitionBy().orderBy('time')
w2 = Window.partitionBy('message').orderBy('time')
df_new = df \
.withColumn('prev_messages', F.lag('messages').over(w1)) \
.withColumn('next_messages', F.lead('messages').over(w1)) \
.withColumn('message', F.explode('messages')) \
.withColumn('start', F.expr("IF(array_contains(prev_messages, message),NULL,time)")) \
.withColumn('end', F.expr("IF(array_contains(next_messages, message),NULL,time)")) \
.withColumn('start', F.last('start', True).over(w2)) \
.select("message", "start", "end") \
.filter("end is not NULL")
df_new.orderBy("start").show()
关于pandas - 识别 PySpark DF ArrayType 列上运行的干净方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61830488/
我在数据框中有一列月份数字,想将其更改为月份名称,所以我使用了这个: df['monthName'] = df['monthNumber'].apply(lambda x: calendar.mont
Pyspark 中是否有一个 input() 函数,我可以通过它获取控制台输入。如果是,请详细说明一下。 如何在 PySpark 中编写以下代码: directory_change = input("
我们正在 pyspark 中构建数据摄取框架,并想知道处理数据类型异常的最佳方法是什么。基本上,我们希望有一个拒绝表来捕获所有未与架构确认的数据。 stringDf = sparkSession.cr
我正在开发基于一组 ORC 文件的 spark 数据框的 sql 查询。程序是这样的: from pyspark.sql import SparkSession spark_session = Spa
我有一个 Pyspark 数据框( 原始数据框 )具有以下数据(所有列都有 字符串 数据类型): id Value 1 103 2
我有一台配置了Redis和Maven的服务器 然后我执行以下sparkSession spark = pyspark .sql .SparkSession .builder .master('loca
从一些简短的测试来看,pyspark 数据帧的列删除功能似乎不区分大小写,例如。 from pyspark.sql import SparkSession from pyspark.sql.funct
我有: +---+-------+-------+ | id| var1| var2| +---+-------+-------+ | a|[1,2,3]|[1,2,3]| | b|[2,
从一些简短的测试来看,pyspark 数据帧的列删除功能似乎不区分大小写,例如。 from pyspark.sql import SparkSession from pyspark.sql.funct
我有一个带有多个数字列的 pyspark DF,我想为每一列根据每个变量计算该行的十分位数或其他分位数等级。 这对 Pandas 来说很简单,因为我们可以使用 qcut 函数为每个变量创建一个新列,如
我有以下使用 pyspark.ml 包进行线性回归的代码。但是,当模型适合时,我在最后一行收到此错误消息: IllegalArgumentException: u'requirement failed
我有一个由 | 分隔的平面文件(管道),没有引号字符。示例数据如下所示: SOME_NUMBER|SOME_MULTILINE_STRING|SOME_STRING 23|multiline text
给定如下模式: root |-- first_name: string |-- last_name: string |-- degrees: array | |-- element: struc
我有一个 pyspark 数据框如下(这只是一个简化的例子,我的实际数据框有数百列): col1,col2,......,col_with_fix_header 1,2,.......,3 4,5,.
我有一个数据框 +------+--------------------+-----------------+---- | id| titulo |tipo | formac
我从 Spark 数组“df_spark”开始: from pyspark.sql import SparkSession import pandas as pd import numpy as np
如何根据行号/行索引值删除 Pyspark 中的行值? 我是 Pyspark(和编码)的新手——我尝试编码一些东西,但它不起作用。 最佳答案 您不能删除特定的列,但您可以使用 filter 或其别名
我有一个循环生成多个因子表的输出并将列名存储在列表中: | id | f_1a | f_2a | |:---|:----:|:-----| |1 |1.2 |0.95 | |2 |0.7
我正在尝试将 hql 脚本转换为 pyspark。我正在努力如何在 groupby 子句之后的聚合中实现 case when 语句的总和。例如。 dataframe1 = dataframe0.gro
我想添加新的 2 列值服务 arr 第一个和第二个值 但我收到错误: Field name should be String Literal, but it's 0; production_targe
我是一名优秀的程序员,十分优秀!