sql - Pyspark 分组和结构化数据

Question

我在 spark 2.4.5 中有以下数据:

data = [
    ('1234', '203957', '2010', 'London', 'CHEM'),
    ('1234', '203957', '2010', 'London', 'BIOL'),
    ('1234', '288400', '2012', 'Berlin', 'MATH'),
    ('1234', '288400', '2012', 'Berlin', 'CHEM'),
]
d = spark.createDataFrame(data, ['auid', 'eid', 'year', 'city', 'subject'])
d.show()

+----+------+----+------+-------+
|auid|   eid|year|  city|subject|
+----+------+----+------+-------+
|1234|203957|2010|London|   CHEM|
|1234|203957|2010|London|   BIOL|
|1234|288400|2012|Berlin|   MATH|
|1234|288400|2012|Berlin|   CHEM|
+----+------+----+------+-------+

我需要从中获取按 auid 分组的 df ，按城市的时间顺序排列，即 London, Berlin和 [[Berlin, 2010], [London, 2012]]在另一列中，加上我需要按主题的降频列排序: [CHEM,2], [BIOL, 1], [MATH, 1] .或者它可能就像 [CHEM, BIOL, MATH] .
我试过这个:

d.groupBy('auid').agg(func.collect_set(func.struct('city', 'year')).alias('city_set')).show(10, False)

这导致了这个:

+----+--------------------------------+
|auid|city_set                        |
+----+--------------------------------+
|1234|[[Berlin, 2012], [London, 2010]]|
+----+--------------------------------+

我被困在这里，需要帮助。 (希望得到对 city_set 中的值进行排序的提示)

Answer 1

您可以在 struct('year', 'city') 上聚合 collect_list ，对数组进行排序，然后使用 transform函数来调整字段的顺序。与主题类似，创建一个包含两个字段的结构数组:cnt和 subject , 对结构数组进行排序/降序，然后仅检索 subject field :

df_new = d.groupBy('auid').agg(
      func.sort_array(func.collect_set(func.struct('year', 'city'))).alias('city_set'),
      func.collect_list('subject').alias('subjects')
    ).withColumn('city_set', func.expr("transform(city_set, x -> (x.city as city, x.year as year))")) \
    .withColumn('subjects', func.expr("""
        sort_array(
          transform(array_distinct(subjects), x -> (size(filter(subjects, y -> y=x)) as cnt, x as subject)),
          False
        ).subject
      """))

df_new.show(truncate=False) 
+----+--------------------------------+------------------+
|auid|city_set                        |subjects          |
+----+--------------------------------+------------------+
|1234|[[London, 2010], [Berlin, 2012]]|[CHEM, MATH, BIOL]|
+----+--------------------------------+------------------+

编辑:有几种方法可以删除 city_set 中重复的城市条目。大批:

使用Window函数调整year到每个城市的分钟(年)，然后重复上述过程。

d = d.withColumn('year', func.min('year').over(Window.partitionBy('auid','city')))

使用 aggregate从 city_set 中删除重复项的函数大批:

df_new = d.groupBy('auid').agg(
    func.sort_array(func.collect_set(func.struct('year', 'city'))).alias('city_set')     
).withColumn("city_set", func.expr("""         
    aggregate(        
      /* expr: take slice of city_set array from the 2nd element to the last */
      slice(city_set,2,size(city_set)-1),           
      /* start: initialize `acc` as an array with a single entry city_set[0].city */
      array(city_set[0].city),
      /* merge: iterate through `expr`, if x.city exists in `acc`, keep as-is
       *        , otherwise add an entry to `acc` using concat function */
      (acc,x) -> IF(array_contains(acc,x.city), acc, concat(acc, array(x.city)))                     
    )                              
"""))

注:不过，使用 Spark 3.0+ 会容易得多:

df_new = d.groupBy('auid').agg(func.expr("array_sort(collect_set((city,year)), (l,r) -> int(l.year-r.year)) as city_set"))