使用 PySpark 从 Lat/Lon 列创建 LineString

Question

我有一个 PySpark 数据框，其中包含 Lat/Lon 个不同轨迹的点，由“trajectories_id”列标识。

trajectory_id	latitude	longitude
1	45	5
1	45	6
1	45	7
2	46	5
2	46	6
2	46	7

我想要做的是为每个 trajectory_id 提取一个 LineString 并将其存储在另一个数据框中，其中每一行代表一个带有“id”和“geometry”列的轨迹。在此示例中，输出应为：

trajectory_id	geometry
1	LINESTRING (5 45, 6 45, 7 45)
2	LINESTRING (5 46, 6 46, 7 46)

这与 this question 中的问题类似，但在我的情况下，我需要使用 PySpark。

我试过以下方法：

import pandas as pd
from shapely.geometry import Point,LineString
df = pd.DataFrame([[1, 45,5], [1, 45,6], [1, 45,7],[2, 46,5], [2, 46,6], [2, 46,7]], columns=['trajectory_id', 'latitude','longitude'])
df1 = spark.createDataFrame(df)
idx_ = df1.select("trajectory_id").rdd.flatMap(lambda x: x).distinct().collect()
geo_df = pd.DataFrame(index=range(len(idx_)),columns=['geometry','trajectory_id'])
k=0
for i in idx_:
    df2=df1.filter(F.col("trajectory_id").isin(i)).toPandas()
    df2['points']=df2[["longitude", "latitude"]].apply(Point, axis=1)
    geo_df.geometry.iloc[k]=str(LineString(df2['points']))
    geo_df['trajectory_id'].iloc[k]=i
    k=k+1

此代码有效，但在我的任务中，我正在处理更多轨迹（> 200 万），这需要很长时间，因为我在每次迭代中转换为 Pandas。有没有一种方法可以更有效地获得相同的输出？如前所述，我知道我应该避免使用 toPandas() (and/or collect() )，尤其是在 for 循环

中

Answer 1

您可以使用 pyspark SQL 的本机函数来执行此操作。

import pyspark.sql.functions as func

long_lat_df = df.withColumn('joined_long_lat', func.concat(func.col("longitude"), func.lit(" "), func.col("latitude")));

grouped_df = long_lat_df .groupby('trajectory_id').agg(func.collect_list('joined_long_lat').alias("geometry"))

final_df = grouped_df.withColumn('geometry', func.concat_ws(", ", func.col("geometry")));

使用 PySpark 从 Lat/Lon 列创建 LineString

Create LineString from Lat/Lon columns using PySpark

shapely

apache-spark-sql

pyspark