apache-spark - 如何在多列上编写 Pyspark UDAF？

Question

我在名为 end_stats_df 的 pyspark 数据框中有以下数据:

values     start    end    cat1   cat2
10          1        2      A      B
11          1        2      C      B
12          1        2      D      B
510         1        2      D      C
550         1        2      C      B
500         1        2      A      B
80          1        3      A      B

我想通过以下方式聚合它:

• 我想使用“开始”和“结束”列作为聚合键
• 对于每组行，我需要执行以下操作:
  • 计算该组的 cat1 和 cat2 中值的唯一数量。例如，对于 start=1 和 end=2 的组，这个数字将是 4，因为有 A、B、C、D。这个数字将存储为 n(本例中 n=4)。
  • 对于 values 字段，对于每个组我需要对 values 进行排序，然后选择每个 n-1 值，其中 n 是从上述第一个操作中存储的值。
  • 在聚合结束时，我并不关心上述操作之后 cat1 和 cat2 中的内容。

上面示例的示例输出是:

values     start    end    cat1   cat2
12          1        2      D      B
550         1        2      C      B
80          1        3      A      B

如何使用 pyspark 数据框完成？我假设我需要使用自定义 UDAF，对吗？

Answer 1

Pyspark 不直接支持 UDAF，所以我们必须手动进行聚合。

from pyspark.sql import functions as f

def func(values, cat1, cat2):
    n = len(set(cat1 + cat2))
    return sorted(values)[n - 2]


df = spark.read.load('file:///home/zht/PycharmProjects/test/text_file.txt', format='csv', sep='\t', header=True)
df = df.groupBy(df['start'], df['end']).agg(f.collect_list(df['values']).alias('values'),
                                            f.collect_set(df['cat1']).alias('cat1'),
                                            f.collect_set(df['cat2']).alias('cat2'))
df = df.select(df['start'], df['end'], f.UserDefinedFunction(func, StringType())(df['values'], df['cat1'], df['cat2']))