gpt4 book ai didi

python - pyspark 中的 Pandas UDF

转载 作者:行者123 更新时间:2023-12-04 08:44:32 28 4
gpt4 key购买 nike

我正在尝试对 spark 数据框进行一系列观察。基本上我有一个天数列表,我应该为每个组创建缺少的天数。
在 Pandas 中有 reindex函数,在 pyspark 中不可用。
我试图实现一个 Pandas UDF:

@pandas_udf(schema, functionType=PandasUDFType.GROUPED_MAP)
def reindex_by_date(df):
df = df.set_index('dates')
dates = pd.date_range(df.index.min(), df.index.max())
return df.reindex(dates, fill_value=0).ffill()
这看起来应该做我需要的,但是它失败了这个消息 AttributeError: Can only use .dt accessor with datetimelike values.我在这里做错了什么?
这里是完整的代码:
data = spark.createDataFrame(
[(1, "2020-01-01", 0),
(1, "2020-01-03", 42),
(2, "2020-01-01", -1),
(2, "2020-01-03", -2)],
('id', 'dates', 'value'))

data = data.withColumn('dates', col('dates').cast("date"))

schema = StructType([
StructField('id', IntegerType()),
StructField('dates', DateType()),
StructField('value', DoubleType())])

@pandas_udf(schema, functionType=PandasUDFType.GROUPED_MAP)
def reindex_by_date(df):
df = df.set_index('dates')
dates = pd.date_range(df.index.min(), df.index.max())
return df.reindex(dates, fill_value=0).ffill()

data = data.groupby('id').apply(reindex_by_date)
理想情况下,我想要这样的东西:
+---+----------+-----+                                                          
| id| dates|value|
+---+----------+-----+
| 1|2020-01-01| 0|
| 1|2020-01-02| 0|
| 1|2020-01-03| 42|
| 2|2020-01-01| -1|
| 2|2020-01-02| 0|
| 2|2020-01-03| -2|
+---+----------+-----+

最佳答案

案例 1:每个 ID 都有一个单独的日期范围。
我会尽量减少 udf 的内容。在这种情况下,我只会计算 udf 中每个 ID 的日期范围。对于其他部分,我将使用 Spark native 函数。

from pyspark.sql import types as T
from pyspark.sql import functions as F

# Get min and max date per ID
date_ranges = data.groupby('id').agg(F.min('dates').alias('date_min'), F.max('dates').alias('date_max'))

# Calculate the date range for each ID
@F.udf(returnType=T.ArrayType(T.DateType()))
def get_date_range(date_min, date_max):
return [t.date() for t in list(pd.date_range(date_min, date_max))]

# To get one row per potential date, we need to explode the UDF output
date_ranges = date_ranges.withColumn(
'dates',
F.explode(get_date_range(F.col('date_min'), F.col('date_max')))
)

date_ranges = date_ranges.drop('date_min', 'date_max')

# Add the value for existing entries and add 0 for others
result = date_ranges.join(
data,
['id', 'dates'],
'left'
)

result = result.fillna({'value': 0})
案例 2:所有 ID 具有相同的日期范围
我认为这里没有必要使用 UDF。您想要的内容可以以不同的方式存档:首先,您可以获得所有可能的 ID 和所有必要的日期。其次,您 crossJoin 它们,这将为您提供所有可能的组合。第三,将原始数据左连接到组合上。第四,将出现的空值替换为 0。
# Get all unique ids
ids_df = data.select('id').distinct()

# Get the date series
date_min, date_max = data.agg(F.min('dates'), F.max('dates')).collect()[0]
dates = [[t.date()] for t in list(pd.date_range(date_min, date_max))]
dates_df = spark.createDataFrame(data=dates, schema="dates:date")

# Calculate all combinations
all_comdinations = ids_df.crossJoin(dates_df)

# Add the value column
result = all_comdinations.join(
data,
['id', 'dates'],
'left'
)

# Replace all null values with 0
result = result.fillna({'value': 0})
请注意此解决方案的以下限制:
  • crossJoins 可能非常昂贵。可以在 this related question 中找到应对该问题的一种潜在解决方案。 .
  • collect 语句和 Pandas 的使用导致不完全并行的 Spark 转换。

  • [编辑] 分为两种情况,因为我首先认为所有 ID 都具有相同的日期范围。

    关于python - pyspark 中的 Pandas UDF,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/64395846/

    28 4 0
    Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
    广告合作:1813099741@qq.com 6ren.com