如何计算满足最后一个条件之间的天数？

Question

当前 df:

df = spark.createDataFrame([
    ("2020-01-12","d1",0),
    ("2020-01-12","d2",0),
    ("2020-01-13","d3",0),
    ("2020-01-14","d4",1), 
    ("2020-01-15","d5",0),
    ("2020-01-15","d6",0),
    ("2020-01-16","d7",0),
    ("2020-01-17","d8",0),
    ("2020-01-18","d9",1),
    ("2020-01-19","d10",0),
    ("2020-01-20","d11",0),], 
    ['date', 'device', 'condition'])

df.show()

+----------+------+---------+
|      date|device|condition|
+----------+------+---------+
|2020-01-12|    d1|        0|
|2020-01-12|    d2|        0|
|2020-01-13|    d3|        0|
|2020-01-14|    d4|        1|
|2020-01-15|    d5|        0|
|2020-01-15|    d6|        0|
|2020-01-16|    d7|        0|
|2020-01-17|    d8|        0|
|2020-01-18|    d9|        1|
|2020-01-19|   d10|        0|
|2020-01-20|   d11|        0|
+----------+------+---------+

期望的输出 df:

want_df = spark.createDataFrame([
    ("2020-01-12","d1",0,0),
    ("2020-01-12","d2",0,0),
    ("2020-01-13","d3",0,1),
    ("2020-01-14","d4",1,2), 
    ("2020-01-15","d5",0,1),
    ("2020-01-15","d6",0,1),
    ("2020-01-16","d7",0,2),
    ("2020-01-17","d8",0,3),
    ("2020-01-18","d9",1,4),
    ("2020-01-19","d10",0,1),
    ("2020-01-20","d11",0,2),], 
    ['date', 'device', 'condition', 'life'])

want_df.show()

+----------+------+---------+----+
|      date|device|condition|life|
+----------+------+---------+----+
|2020-01-12|    d1|        0|   0|
|2020-01-12|    d2|        0|   0|
|2020-01-13|    d3|        0|   1|
|2020-01-14|    d4|        1|   2|
|2020-01-15|    d5|        0|   1|
|2020-01-15|    d6|        0|   1|
|2020-01-16|    d7|        0|   2|
|2020-01-17|    d8|        0|   3|
|2020-01-18|    d9|        1|   4|
|2020-01-19|   d10|        0|   1|
|2020-01-20|   d11|        0|   2|
+----------+------+---------+----+

Objective 是计算到 condition=1 时的日期差异（天数），然后日期差异重置为从满足最后一个条件时开始的天数。 life 是试图计算的列。知道如何计算吗？ Window 还是 lag？

Answer 1

这是一类问题，可以通过添加一些临时行来简化（我们标记它们，然后稍后删除它们）

from pyspark.sql import Window
from pyspark.sql.functions import lit, lag, sum as fsum, first, datediff

(1) 首先，创建一个新的数据帧 df1，它复制条件 == 1 的所有行，但设置它们的条件 = 0 和标志 = 1，将生成的数据帧与原始数据帧合并（设置标志 = 0）：

df1 = df.withColumn('flag', lit(0)).union(
    df.where('condition = 1').withColumn('condition', lit(0)).withColumn('flag', lit(1))
)

(2) 然后，设置下面两个Window Specs，使用w1 帮助创建子组标签 g 将所有连续的行分组，直到条件切换从 1 到 0。将 flag 添加到 orderBy() 中，以便新添加的行位于条件 = 1 的相应行的后面，并分组到下一个组标签中。

w1 = Window.partitionBy(lit(0)).orderBy('date', 'flag')
w2 = Window.partitionBy(lit(0), 'g').orderBy('date', 'flag')

注意： 如果你有一个巨大的数据框，你可能想要将 lit(0) 更改为一些实际的或计算的列以避免 Spark 将所有行移动到一个单一的划分。 更新： 根据评论，数据帧是一个单一的时间序列，可以加载到一个分区上，因此使用 lit(0) 应该足够了。

(3) 在 w1 上使用 lag 和 sum 函数找到子组标签 'g' 然后计算同一组中的 first_date 使用 Window规格 w2。此日期用于计算列 'life':

df2 = df1.withColumn('g', fsum((lag('condition').over(w1) == 1).astype('int')).over(w1)) \
    .withColumn('first_date', first('date').over(w2)) \
    .withColumn('life', datediff('date','first_date'))
df2.show()
+----------+------+---------+----+---+----------+----+
|      date|device|condition|flag|  g|first_date|life|
+----------+------+---------+----+---+----------+----+
|2020-01-12|    d1|        0|   0|  0|2020-01-12|   0|
|2020-01-12|    d2|        0|   0|  0|2020-01-12|   0|
|2020-01-13|    d3|        0|   0|  0|2020-01-12|   1|
|2020-01-14|    d4|        1|   0|  0|2020-01-12|   2|
|2020-01-14|    d4|        0|   1|  1|2020-01-14|   0|
|2020-01-15|    d5|        0|   0|  1|2020-01-14|   1|
|2020-01-15|    d6|        0|   0|  1|2020-01-14|   1|
|2020-01-16|    d7|        0|   0|  1|2020-01-14|   2|
|2020-01-17|    d8|        0|   0|  1|2020-01-14|   3|
|2020-01-18|    d9|        1|   0|  1|2020-01-14|   4|
|2020-01-18|    d9|        0|   1|  2|2020-01-18|   0|
|2020-01-19|   d10|        0|   0|  2|2020-01-18|   1|
|2020-01-20|   d11|        0|   0|  2|2020-01-18|   2|
+----------+------+---------+----+---+----------+----+

(4) 删除临时行和列以获得最终数据帧：

df_new = df2.filter('flag = 0').drop('first_date', 'g', 'flag')
df_new.show()
+----------+------+---------+----+
|      date|device|condition|life|
+----------+------+---------+----+
|2020-01-12|    d1|        0|   0|
|2020-01-12|    d2|        0|   0|
|2020-01-13|    d3|        0|   1|
|2020-01-14|    d4|        1|   2|
|2020-01-15|    d5|        0|   1|
|2020-01-15|    d6|        0|   1|
|2020-01-16|    d7|        0|   2|
|2020-01-17|    d8|        0|   3|
|2020-01-18|    d9|        1|   4|
|2020-01-19|   d10|        0|   1|
|2020-01-20|   d11|        0|   2|
+----------+------+---------+----+

Answer 2

我尝试从不同的方式提供，更接近标准 sql 方言，但仍然使用 pyspark 语法并关注性能影响。

from pyspark.sql import Window
from pyspark.sql.functions import col, when, lit, lag, min, max, datediff

Select条件等于1的日期范围，然后使用联合函数结合最大日期值。

w = Window.partitionBy('date')

dateRange = df.select(df.date).where(df.condition == 1)\
    .union(df.select(max(df.date))).distinct()\
    .orderBy('date')\
    .withColumn('lastDate', lag(col('date').over(w))\
    .select(when(col('lastDate').isNull(), lit('1970-01-01')).otherwise(col('lastDate')).alias('lastDate'), col('date').alias('toDate'))

Select 日期范围和第一个最小日期通过将 df 加入日期范围，然后进行分组并计算最小日期值。

dateRange1st = df.join(dateRange, df.date > dateRange.lastDate & df.date <= dateRange.toDate, 'inner').groupBy(dateRange.lastDate, dateRange.toDate).agg(min(df.date).alias('frDate'))

Select 将日期范围 (1st) 加入 df 的结果，寻求帮助日期过滤并找出不同之处。

result = df.join(dateRange1st, df.date.between(dateRange1st.frDate, dateRange1st.toDate), 'inner')\
    .select(df.date, df.device, df.condition)\
    .withColumn('life', datediff(df.date - dataRange1st.frDate))\
    .orderBy(df.date)

result.show()

希望对您有所帮助！

如何计算满足最后一个条件之间的天数？

How to calculate days between when last condition was met?

apache-spark

pyspark

apache-spark-sql

pyspark-sql