PySpark 在条件下枚举分区

Question

我有一个 pySpark 数据框，例如：

class   classID Property
1       1       1
1       2       0
1       3       1
1       4       1
2       1       0   
2       2       0
2       3       1

现在我需要添加一个列，其中包含当前分区中有多少行的信息，直到该行确实具有属性 == 1。像这里一样：

class   classID Property    relevantCount
1       1       1           1
1       2       0           1   
1       3       1           2
1       4       1           3
2       1       0           0   
2       2       0           0
2       3       1           1

例如我尝试了 Window 函数：

import pyspark.sql.functions as f
from pyspark.sql.window import Window
windowSpec = Window().partitionBy('class').orderBy(f.col('classID'))
df = df \
.withColumn('relevantCount',(f.when((f.col('rank') == f.lit(1)) & (f.col('Property') == f.lit(0)),0)).otherwise(f.col('Property')+f.col(f.lag('deliveryCountDesc').over(windowSpec))))

但我无法参考新行的先前值。

有没有人有更好的主意？

Answer 1

您的 window 规范需要修改以包含分区中所有先前的行，并使用匹配的属性值进行计数。试试这个

import pyspark.sql.functions as f
from pyspark.sql.window import Window
data = [(1, 1,1),(1, 2,0),(1, 3,1),(1, 4,1),(2,1 , 0),(2, 2, 0),(2, 3, 1)]
df = spark.createDataFrame(data,['class','classID','Property'])
windowSpec = Window().partitionBy('class').orderBy('classID').rowsBetween(Window.unboundedPreceding, Window.currentRow)
df = df.withColumn('relevantCount',f.count(f.when(f.col('Property') == 1, f.col('Property'))).over(windowSpec))
df.show()

结果 >

+-----+-------+--------+-------------+
|class|classID|Property|relevantCount|
+-----+-------+--------+-------------+
|    1|      1|       1|            1|
|    1|      2|       0|            1|
|    1|      3|       1|            2|
|    1|      4|       1|            3|
|    2|      1|       0|            0|
|    2|      2|       0|            0|
|    2|      3|       1|            1|
+-----+-------+--------+-------------+

PySpark 在条件下枚举分区

PySpark enumerate in partition under condition

enumerate

dataframe

pyspark