PySpark 数据帧条件 window/lag

Question

我有一个 Spark 数据框，像这样：

# For sake of simplicity only one user (uid) is shown, but there are multiple users 
+-------------------+-----+-------+
|start_date         |uid  |count  |
+-------------------+-----+-------+
|2020-11-26 08:30:22|user1|  4    |
|2020-11-26 10:00:00|user1|  3    |
|2020-11-22 08:37:18|user1|  3    |
|2020-11-22 13:32:30|user1|  2    |
|2020-11-20 16:04:04|user1|  2    |
|2020-11-16 12:04:04|user1|  1    |

如果用户过去至少有 count >= x 个事件，我想创建一个值为 True/False 的新布尔列，和用True标记这些事件。例如，对于 x=3 我希望得到：

+-------------------+-----+-------+--------------+
|start_date         |uid  |count  | marked_event |
+-------------------+-----+-------+--------------+
|2020-11-26 08:30:22|user1|  4    |  True        |
|2020-11-26 10:00:00|user1|  3    |  True        |
|2020-11-22 08:37:18|user1|  3    |  True        |
|2020-11-22 13:32:30|user1|  2    |  True        |
|2020-11-20 16:04:04|user1|  2    |  True        |
|2020-11-16 12:04:04|user1|  1    |  False       |

也就是说，对于每个 >= 3 的计数，我需要用 True 标记该事件，以及之前的 3 个事件。只有 user1 的最后一个事件是 False，因为我在 start_date = 2020-11-22 08:37:18.

上的事件之前（包括）标记了 3 个事件

有什么想法可以解决这个问题吗？我的直觉是以某种方式使用 window/lag 来实现这一点，但我是新手，不知道该怎么做...

编辑：

我结束了使用@mck 解决方案的变体，修复了一个小错误：原始解决方案有：

F.max(F.col('begin')).over(w.rowsBetween(0, Window.unboundedFollowing))

条件，最终标记所有事件在'begin'之后，无论'count'的条件是否满足。相反，我更改了解决方案，以便 window 仅标记 'begin':

之前发生的事件

event = (f.max(f.col('begin')).over(w.rowsBetween(-2, 0))).\ 
          alias('event_post_only') 
# the number of events to mark is 3 from 'begin', 
# including the event itself, so that's -2.
df_marked_events = df_marked_events.select('*', event)

然后为在 'event_post_only' 中为真或在 'event_post_only'

中为真的所有事件标记为真

df_marked_events = df_marked_events.withColumn('event', (col('count') >= 3) \
                       | (col('event_post_only')))

这避免将 上游的所有内容 标记为 True 到 'begin' == True

Answer 1

import pyspark.sql.functions as F
from pyspark.sql.window import Window

w = Window.partitionBy('uid').orderBy(F.col('count').desc(), F.col('start_date'))

# find the beginning point of >= 3 events
begin = (
    (F.col('count') >= 3) &
    (F.lead(F.col('count')).over(w) < 3)
).alias('begin')
df = df.select('*', begin)

# Mark as event if the event is in any rows after begin, or two rows before begin
event = (
    F.max(F.col('begin')).over(w.rowsBetween(0, Window.unboundedFollowing)) | 
    F.max(F.col('begin')).over(w.rowsBetween(-2,0))
).alias('event')
df = df.select('*', event)

df.show()
+-------------------+-----+-----+-----+-----+
|         start_date|  uid|count|begin|event|
+-------------------+-----+-----+-----+-----+
|2020-11-26 08:30:22|user1|  4.0|false| true|
|2020-11-22 08:37:18|user1|  3.0|false| true|
|2020-11-26 10:00:00|user1|  3.0| true| true|
|2020-11-20 16:04:04|user1|  2.0|false| true|
|2020-11-22 13:32:30|user1|  2.0|false| true|
|2020-11-16 12:04:04|user1|  1.0|false|false|
+-------------------+-----+-----+-----+-----+

PySpark 数据帧条件 window/lag

PySpark dataframe condition by window/lag

apache-spark

apache-spark-sql

rolling-computation

pyspark