根据列中的唯一值对 PySpark DataFrame 进行分区(自定义分区)

Partition PySpark DataFrame depending on unique values in column (Custom Partitioning)

我有一个 PySpark 数据框,其中我有单独的列用于名称、类型、日期和值。数据框的示例如下所示:

+------+----+---+-----+
|  Name|Type|Day|Value|
+------+----+---+-----+
| name1|   a|  1|  140|
| name2|   a|  1|  180|
| name3|   a|  1|  150|
| name4|   b|  1|  145|
| name5|   b|  1|  185|
| name6|   c|  1|  155|
| name7|   c|  1|  160|
| name8|   a|  2|  120|
| name9|   a|  2|  110|
|name10|   b|  2|  125|
|name11|   b|  2|  185|
|name12|   c|  3|  195|
+------+----+---+-----+

对于选定的值 Type,我想根据标题为 Day 的列的唯一值创建单独的数据框。比方说,我选择 a 作为我的首选 Type。在上述示例中,我有三个唯一值 Day (viz. 1, 2 , 3)。对于 Day 的每个唯一值,其中包含所选 Type a 的行 - (即上述数据中的天数 12),我想要创建一个数据框,其中所有行都带有所选 TypeDay。在上面提到的示例中,我将有两个数据框,如下所示

+------+----+---+-----+
|  Name|Type|Day|Value|
+------+----+---+-----+
| name1|   a|  1|  140|
| name2|   a|  1|  180|
| name3|   a|  1|  150|
+------+----+---+-----+

+------+----+---+-----+
|  Name|Type|Day|Value|
+------+----+---+-----+
| name8|   a|  2|  120|
| name9|   a|  2|  110|
+------+----+---+-----+

我该怎么做?在我将要处理的实际数据中,我有数百万列。所以,我想知道实现上述目标的最有效方法。

您可以使用下面提到的代码来生成上面给出的示例。

from pyspark.sql import *
import numpy as np

Stats = Row("Name", "Type", "Day", "Value")

stat1 = Stats('name1', 'a', 1, 140)
stat2 = Stats('name2', 'a', 1, 180)
stat3 = Stats('name3', 'a', 1, 150)
stat4 = Stats('name4', 'b', 1, 145)
stat5 = Stats('name5', 'b', 1, 185)
stat6 = Stats('name6', 'c', 1, 155)
stat7 = Stats('name7', 'c', 1, 160)
stat8 = Stats('name8', 'a', 2, 120)
stat9 = Stats('name9', 'a', 2, 110)
stat10 = Stats('name10', 'b', 2, 125)
stat11 = Stats('name11', 'b', 2, 185)
stat12 = Stats('name12', 'c', 3, 195)

你可以直接使用df.repartition("Type", "Day")

Docs 相同。

当我使用以下函数进行验证时,我得到了上述输出

def validate(partition):
    count = 0
    for row in partition:
        print(row)    
        count += 1
    print(count)

我的数据

+------+--------------------+-------+-------+
|amount|          trans_date|user_id|row_num|
+------+--------------------+-------+-------+
|  99.1|2019-06-04T00:00:...|    101|      1|
| 89.27|2019-06-04T00:00:...|    102|      2|
|  89.1|2019-03-04T00:00:...|    102|      3|
| 73.11|2019-09-10T00:00:...|    103|      4|
|-69.81|2019-09-11T00:00:...|    101|      5|
| 12.51|2018-12-14T00:00:...|    101|      6|
| 43.23|2018-09-11T00:00:...|    101|      7|
+------+--------------------+-------+-------+

df.repartition("user_id") 之后,我得到以下信息:

输出

Row(amount=73.11, trans_date='2019-09-10T00:00:00.000+05:30', user_id='103', row_num=4)
1
Row(amount=89.27, trans_date='2019-06-04T00:00:00.000+05:30', user_id='102', row_num=2)
Row(amount=89.1, trans_date='2019-03-04T00:00:00.000+05:30', user_id='102', row_num=3)
2
Row(amount=99.1, trans_date='2019-06-04T00:00:00.000+05:30', user_id='101', row_num=1)
Row(amount=-69.81, trans_date='2019-09-11T00:00:00.000+05:30', user_id='101', row_num=5)
Row(amount=12.51, trans_date='2018-12-14T00:00:00.000+05:30', user_id='101', row_num=6)
Row(amount=43.23, trans_date='2018-09-11T00:00:00.000+05:30', user_id='101', row_num=7)
4