apache-spark - 使用pyspark分组，排序和汇总Spark数据框架

Question

我有一个数据框，看起来像：

A     B    C
---------------
A1    B1   0.8
A1    B2   0.55
A1    B3   0.43

A2    B1   0.7
A2    B2   0.5
A2    B3   0.5

A3    B1   0.2
A3    B2   0.3
A3    B3   0.4

如何将“ C”列转换为每列A的相对排名（较高分数->较好排名）？预期产量：

A     B    Rank
---------------
A1    B1   1
A1    B2   2
A1    B3   3

A2    B1   1
A2    B2   2
A2    B3   2

A3    B1   3
A3    B2   2
A3    B3   1

我要达到的最终状态是汇总B列并存储每个A的排名：

例：

B    Ranks
B1   [1,1,3]
B2   [2,2,2]
B3   [3,2,1]

Answer 1

添加等级：

from pyspark.sql.functions import *
from pyspark.sql.window import Window

ranked =  df.withColumn(
  "rank", dense_rank().over(Window.partitionBy("A").orderBy(desc("C"))))

通过...分组：

grouped = ranked.groupBy("B").agg(collect_list(struct("A", "rank")).alias("tmp"))

排序并选择：

grouped.select("B", sort_array("tmp")["rank"].alias("ranks"))

在Spark 2.1.0上进行了测试。