apache-spark - 为Spark数据框中的每个组创建索引

Question

我在Spark中有一个数据帧，有2列group_id和value，其中value是 double 型。我想根据group_id对数据进行分组，按value对每个组进行排序，然后添加第三列index，该列代表value在该组值的位置中的位置。

例如，考虑以下输入数据:

+--------+-----+
|group_id|value|
+--------+-----+
|1       |1.3  |
|2       |0.8  |
|1       |3.4  |
|1       |-1.7 |
|2       |2.3  |
|2       |5.9  |
|1       |2.7  |
|1       |0.0  |
+--------+-----+

输出将是这样的

+--------+-----+-----+
|group_id|value|index|
+--------+-----+-----+
|1       |-1.7 |1    |
|1       |0.0  |2    |
|1       |1.3  |3    |
|1       |2.7  |4    |
|1       |3.4  |5    |
|2       |0.8  |1    |
|2       |2.3  |2    |
|2       |5.9  |3    |
+--------+-----+-----+

如果索引是从0开始并且排序是升序还是降序，这都不重要。

作为后续措施，请考虑以下情况:原始数据中的第三列 extra对于某些 (group_id, value)组合采用多个值。一个例子是:

+--------+-----+-----+
|group_id|value|extra|
+--------+-----+-----+
|1       |1.3  |1    |
|1       |1.3  |2    |
|2       |0.8  |1    |
|1       |3.4  |1    |
|1       |3.4  |2    |
|1       |3.4  |3    |
|1       |-1.7 |1    |
|2       |2.3  |1    |
|2       |5.9  |1    |
|1       |2.7  |1    |
|1       |0.0  |1    |
+--------+-----+-----+

有没有一种方法可以添加 index列，以便不考虑 extra列，但仍将其保留？在这种情况下的输出将是

+--------+-----+-----+-----+
|group_id|value|extra|index|
+--------+-----+-----+-----+
|1       |-1.7 |1    |1    |
|1       |0.0  |1    |2    |
|1       |1.3  |1    |3    |
|1       |1.3  |2    |3    |
|1       |2.7  |1    |4    |
|1       |3.4  |1    |5    |
|1       |3.4  |2    |5    |
|1       |3.4  |3    |5    |
|2       |0.8  |1    |1    |
|2       |2.3  |1    |2    |
|2       |5.9  |1    |3    |
+--------+-----+-----+-----+

我知道可以通过复制数据，删除 extra列来做到这一点

复制数据

删除extra列

执行distinct操作，这将导致原始示例

中的数据

使用原始解决方案

计算 index列

将结果与第二个示例

中的数据结合起来

但是，这将涉及很多额外的计算和开销。

Answer 1

您可以使用Window函数基于value创建一个等级列，并按group_id进行分区:

from pyspark.sql.window import Window
from pyspark.sql.functions import rank, dense_rank
# Define window
window = Window.partitionBy(df['group_id']).orderBy(df['value'])
# Create column
df.select('*', rank().over(window).alias('index')).show()
+--------+-----+-----+
|group_id|value|index|
+--------+-----+-----+
|       1| -1.7|    1|
|       1|  0.0|    2|
|       1|  1.3|    3|
|       1|  2.7|    4|
|       1|  3.4|    5|
|       2|  0.8|    1|
|       2|  2.3|    2|
|       2|  5.9|    3|
+--------+-----+-----+

因为，首先选择 '*'，所以还要使用上述代码保留所有其他变量。但是，您的第二个示例显示您正在寻找函数 dense_rank()，该函数以无间隔的等级列形式提供:

df.select('*', dense_rank().over(window).alias('index'))