apache-spark - PySpark 的第一个和最后一个函数一次完成一个分区

Question

我有这样的 pyspark 代码，

spark_df = spark_df.orderBy('id', 'a1', 'c1')
out_df = spark_df.groupBy('id', 'a1', 'a2').agg(
    F.first('c1').alias('c1'),
    F.last('c2').alias('c2'),
    F.first('c3').alias('c3'))

我需要保持数据按顺序 id、a1 和 c1 排序。然后在键 id、a1 和 c1 上定义的组中选择列，如上所示。

由于第一个和最后一个不确定性，我将代码更改为这个看起来很丑陋的代码，但我不确定它是否有效。

w_first = Window.partitionBy('id', 'a1', 'a2').orderBy('c1')
w_last = Window.partitionBy('id', 'a1', 'a2').orderBy(F.desc('c1'))

out_first = spark_df.withColumn('Rank_First', F.rank().over(w_first)).filter(F.col('Rank_First') == 1).drop(
    'Rank_First')
out_last = spark_df.withColumn('Rank_Last', F.rank().over(w_last)).filter(F.col('Rank_First') == 1).drop(
    'Rank_Last')

out_first = out_first.withColumnRenamed('c1', 'First_c1') \
    .withColumnRenamed('c2', 'First_c2') \
    .withColumnRenamed('c3', 'First_c3')

out_last = out_last.withColumnRenamed('c1', 'Last_c1') \
    .withColumnRenamed('c2', 'Last_c2') \
    .withColumnRenamed('c3', 'Last_c3')

out_df = out_first.join(out_last, ['id', 'a1', 'a2']) \
    .select('id', 'a1', 'a2', F.col('First_c1').alias('c1'),
            F.col('Last_c2').alias('c2'),
            F.col('First_c3').alias('c3'))

我正在尝试一种更好、更高效的替代方案。当数据量很大时，我会遇到性能瓶颈。

是否有更好的替代方法来一次完成按特定顺序排列的窗口的第一个和最后一个。

Answer 1

当 orderBy 与 Window 一起使用时，您需要将帧边界指定为 ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING 否则 last 函数将只获取UNBOUNDED PRECEDING 和 CURRENT ROW 之间的最后一个值(指定排序依据时的默认帧边界)。

试试这个:

w = Window.partitionBy('id', 'a1', 'a2').orderBy('c1') \
          .rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)

df = df.withColumn("First_c1", first("c1").over(w)) \
      .withColumn("First_c3", first("c3").over(w)) \
      .withColumn("Last_c2", last("c2").over(w))

df.groupby("id", "a1", "a2")\
  .agg(first("First_c1").alias("c1"),
       first("Last_c2").alias("c2"),
       first("First_c3").alias("c3")
  ).show()