Spark / Scala：用最后的良好观察填充 nan

Question

我正在使用 spark 2.0.1 并想用列中最后一个已知值填充 nan 值。

我能找到的关于 spark 的唯一参考 or ，它似乎使用了 RDD。

我宁愿留在数据框/数据集世界中，并可能处理多个 nan 值。这可能吗？

我的假设是数据（最初从 CSV 文件加载）按时间排序，并且此顺序保留在分布式设置中，例如按关闭/最后已知值填充是正确的。可能用以前的值填充对于大多数记录来说，连续没有 2 个或更多 nan 记录就足够了。这真的成立吗？关键是

myDf.sort("foo").show

会破坏任何订单，例如所有 null 值将排在第一位。

一个小例子：

import java.sql.{ Date, Timestamp }
case class FooBar(foo:Date, bar:String)
val myDf = Seq(("2016-01-01","first"),("2016-01-02","second"),("2016-wrongFormat","noValidFormat"), ("2016-01-04","lastAssumingSameDate"))
         .toDF("foo","bar")
         .withColumn("foo", 'foo.cast("Date"))
         .as[FooBar]

结果

+----------+--------------------+
|       foo|                 bar|
+----------+--------------------+
|2016-01-01|               first|
|2016-01-02|              second|
|      null|       noValidFormat|
|2016-01-04|lastAssumingSameDate|
+----------+--------------------+

我想用最后一个已知值修复该值。我怎样才能做到这一点？

+----------+--------------------+
|       foo|                 bar|
+----------+--------------------+
|2016-01-01|               first|
|2016-01-02|              second|
|2016-01-02|       noValidFormat|
|2016-01-04|lastAssumingSameDate|
+----------+--------------------+

编辑

在我的例子中，填充上面一行中的值就足够了，因为只有非常有限的错误值。

edit2

我尝试添加一个索引列

val myDf = Seq(("2016-01-01", "first"), ("2016-01-02", "second"), ("2016-wrongFormat", "noValidFormat"), ("2016-01-04", "lastAssumingSameDate"))
    .toDF("foo", "bar")
    .withColumn("foo", 'foo.cast("Date"))
    .as[FooBar]
    .withColumn("rowId", monotonically_increasing_id())

然后填上最后一个值。

myDf.withColumn("fooLag", lag('foo, 1) over Window.orderBy('rowId)).show

但是上面写着以下警告： 没有为 Window 操作定义分区！将所有数据移动到单个分区，这会导致严重的性能下降。 我如何引入有意义的分区？

+----------+--------------------+-----+----------+
|       foo|                 bar|rowId|    fooLag|
+----------+--------------------+-----+----------+
|2016-01-01|               first|    0|      null|
|2016-01-02|              second|    1|2016-01-01|
|      null|       noValidFormat|    2|2016-01-02|
|2016-01-04|lastAssumingSameDate|    3|      null|
+----------+--------------------+-----+----------+

Answer 1

这是一个中间答案。但是，它不是很好，因为没有分区/只使用了一个分区。我还在寻找更好的方法来解决问题

df
    .withColumn("rowId", monotonically_increasing_id())
    .withColumn("replacement", lag('columnWithNull, 1) over Window.orderBy('rowId))
    .withColumn("columnWithNullReplaced",
      when($"columnWithNull" isNull, "replacement").otherwise($"columnWithNull")

    )

编辑

我正在努力使用 mapPartitionsWithIndex 构建更好的解决方案 https://gist.github.com/geoHeil/6a23d18ccec085d486165089f9f430f2 尚未完成。

edit2

添加

if (i == 0) {
          lastNotNullRow = toCarryBd.value.get(i + 1).get
        } else {
          lastNotNullRow = toCarryBd.value.get(i - 1).get
        }

会得到想要的结果。

Answer 2

//用最后一个未知的空值填充空字段 我试过了，这确实有效！！

val dftxt1 = spark.read.option("header","true").option("sep","\t").csv("/sdata/ph/com/r/ph_com_r_ita_javelin/inbound/abc.txt").toDF("line_name", "merge_key", "line_id")
dftxt2.select("line_name","merge_key","line_id").write.mode("overwrite").insertInto("dbname.tablename")

val df = spark.sql("select * from dbname.tablename")

val Df1 = df.withColumn("rowId", monotonically_increasing_id())

import org.apache.spark.sql.expressions.Window

val partitionWindow = Window.orderBy("rowId")

val Df2 = Df1.withColumn("line_id", last("line_id", true) over (partitionWindow))

Df2.show

Spark / Scala：用最后的良好观察填充 nan

Spark / Scala: fill nan with last good observation

scala

apache-spark

apache-spark-sql

nan

apache-spark-dataset

编辑

edit2

编辑

edit2