python - 如何选择具有最大值的行的所有列

Question

我需要通过对“ID”进行分组来从数据框中选择所有列。但是当我这样做时，我只会得到 ID 和“值(value)”。我需要所有列

a=df.groupby(df['id']).agg({"date": "max"}
a.show()

这仅选择“id”和“date”列。还有其他栏目。如何为日期中的最大值选择所有列。

Answer 1

在 spark 中，有两种方法可以将它与之前的数据帧连接起来，如下所示:

a=df.groupby(df['id']).agg({"date": "max"}
df = df.join(
    a,
    on = "id",
    how = "inner"
)
df.show()

或者像这样使用窗口分区:

from pyspark.sql import Window
import pyspark.sql.functions as F
window = Window.partitionBy("id")
a = df.withColumn(
    "max",
    (F.max(F.col("date")).over(window))
)
a.show() 

我会说更喜欢第一个，因为即使加入后它的成本也更低。