PySpark 和时间序列数据：如何巧妙地避免日期重叠？

Question

我有以下示例 Spark 数据帧

import pandas as pd
import pyspark
import pyspark.sql.functions as fn
from pyspark.sql.window import Window

raw_df = pd.DataFrame([
    (1115, dt.datetime(2019,8,5,18,20), dt.datetime(2019,8,5,18,40)),
    (484, dt.datetime(2019,8,5,18,30), dt.datetime(2019,8,9,18,40)),
    (484, dt.datetime(2019,8,4,18,30), dt.datetime(2019,8,6,18,40)),
    (484, dt.datetime(2019,8,2,18,30), dt.datetime(2019,8,3,18,40)),
    (484, dt.datetime(2019,8,7,18,50), dt.datetime(2019,8,9,18,50)),
    (1115, dt.datetime(2019,8,6,18,20), dt.datetime(2019,8,6,18,40)),
], columns=['server_id', 'start_time', 'end_time'])
df = spark.createDataFrame(raw_df)

这导致

+---------+-------------------+-------------------+
|server_id|         start_time|           end_time|
+---------+-------------------+-------------------+
|     1115|2019-08-05 18:20:00|2019-08-05 18:40:00|
|      484|2019-08-05 18:30:00|2019-08-09 18:40:00|
|      484|2019-08-04 18:30:00|2019-08-06 18:40:00|
|      484|2019-08-02 18:30:00|2019-08-03 18:40:00|
|      484|2019-08-07 18:50:00|2019-08-09 18:50:00|
|     1115|2019-08-06 18:20:00|2019-08-06 18:40:00|
+---------+-------------------+-------------------+

这表示每个服务器的使用日期范围。我想将其转换为非重叠日期的时间序列。

我想在不使用 UDF 的情况下实现此。

这就是我现在做的，这是错误的

w = Window().orderBy(fn.lit('A'))
# Separate start/end date of usage into rows
df = (df.withColumn('start_end_time', fn.array('start_time', 'end_time'))
    .withColumn('event_dt', fn.explode('start_end_time'))
    .withColumn('row_num', fn.row_number().over(w)))
# Indicate start/end date of the usage (start date will always be on odd rows)
df = (df.withColumn('is_start', fn.when(fn.col('row_num')%2 == 0, 0).otherwise(1))
    .select('server_id', 'event_dt', 'is_start'))

这给出了

+---------+-------------------+--------+
|server_id|           event_dt|is_start|
+---------+-------------------+--------+
|     1115|2019-08-05 18:20:00|       1|
|     1115|2019-08-05 18:40:00|       0|
|      484|2019-08-05 18:30:00|       1|
|      484|2019-08-09 18:40:00|       0|
|      484|2019-08-04 18:30:00|       1|
|      484|2019-08-06 18:40:00|       0|
|      484|2019-08-02 18:30:00|       1|
|      484|2019-08-03 18:40:00|       0|
|      484|2019-08-07 18:50:00|       1|
|      484|2019-08-09 18:50:00|       0|
|     1115|2019-08-06 18:20:00|       1|
|     1115|2019-08-06 18:40:00|       0|
+---------+-------------------+--------+

但是我想达到的最终结果如下:

+---------+-------------------+--------+
|server_id|           event_dt|is_start|
+---------+-------------------+--------+
|     1115|2019-08-05 18:20:00|       1|
|     1115|2019-08-05 18:40:00|       0|
|     1115|2019-08-06 18:20:00|       1|
|     1115|2019-08-06 18:40:00|       0|
|      484|2019-08-02 18:30:00|       1|
|      484|2019-08-03 18:40:00|       0|
|      484|2019-08-04 18:30:00|       1|
|      484|2019-08-09 18:50:00|       0|
+---------+-------------------+--------+

所以对于 server_id 484，我有实际的开始和结束日期，中间没有任何干扰。

对于如何在不使用 UDF 的情况下实现这一点，您有什么建议吗？

谢谢

Answer 1

IIUC，这是可以用Window lag(), sum()[=55=解决的问题之一] 函数为符合某些特定条件的有序连续行添加子组标签。类似于我们在 Pandas 中使用 shift()+cumsum().

所做的事情

设置 Window 规范 w1:

w1 = Window.partitionBy('server_id').orderBy('start_time')

并计算以下内容：

max('end_time'): 当前行之前的最大值end_time超过window-w1

滞后('end_time')：前一个end_time

sum('prev_end_time < current_start_time ? 1 : 0'): 标识子组的标志

以上三项可以对应Pandascummax(),shift()和cumsum().

通过用 max(end_time).over(w1) 更新 df.end_time 并设置子来计算 df1 -组标签g，然后做groupby(server_id, g)计算min(start_time)和max(end_time)

df1 = df.withColumn('end_time', fn.max('end_time').over(w1)) \ .withColumn('g', fn.sum(fn.when(fn.lag('end_time').over(w1) < fn.col('start_time'),1).otherwise(0)).over(w1)) \ .groupby('server_id', 'g') \ .agg(fn.min('start_time').alias('start_time'), fn.max('end_time').alias('end_time')) df1.show() +---------+---+-------------------+-------------------+ |server_id| g| start_time| end_time| +---------+---+-------------------+-------------------+ | 1115| 0|2019-08-05 18:20:00|2019-08-05 18:40:00| | 1115| 1|2019-08-06 18:20:00|2019-08-06 18:40:00| | 484| 0|2019-08-02 18:30:00|2019-08-03 18:40:00| | 484| 1|2019-08-04 18:30:00|2019-08-09 18:50:00| +---------+---+-------------------+-------------------+

在我们有df1之后，我们可以使用两个选择拆分数据，然后合并结果集：

df_new = df1.selectExpr('server_id', 'start_time as event_dt', '1 as is_start').union( df1.selectExpr('server_id', 'end_time as event_dt', '0 as is_start') ) df_new.orderBy('server_id', 'event_dt').show() +---------+-------------------+--------+ |server_id| event_dt|is_start| +---------+-------------------+--------+ | 484|2019-08-02 18:30:00| 1| | 484|2019-08-03 18:40:00| 0| | 484|2019-08-04 18:30:00| 1| | 484|2019-08-09 18:50:00| 0| | 1115|2019-08-05 18:20:00| 1| | 1115|2019-08-05 18:40:00| 0| | 1115|2019-08-06 18:20:00| 1| | 1115|2019-08-06 18:40:00| 0| +---------+-------------------+--------+

PySpark 和时间序列数据：如何巧妙地避免日期重叠？

PySpark and time series data: how to smartly avoid overlapping dates?

apache-spark

pyspark

pyspark-sql

pyspark-dataframes