使用最接近的时间戳 pyspark 连接两个数据帧

Question

所以我是 pyspark 的新手，但我仍然无法正确创建自己的查询。我尝试用谷歌搜索我的问题，但我只是不明白其中大部分是如何工作的。我不确定我错过了什么。

但无论如何我有以下两个数据框，spark_p:

+--------------------+-----+--------------------+
|__record_timestamp__|cycle|            profiles|
+--------------------+-----+--------------------+
| 1651737406300000000|    0|[0, 1, 1, 1, 3, 1...|
| 1651737406300000000|   16|[0, 0, 1, 0, 0, 0...|
| 1651737406300000000|   17|[1, 1, 1, 1, 0, 0...|
| 1651737406300000000|   18|[0, 0, 0, 0, 0, 1...|
| 1651737406300000000|   19|[1, 1, 1, 0, 0, 0...|
+--------------------+-----+--------------------+

和spark_m：

+-------------+--------------------+
|      current|__record_timestamp__|
+-------------+--------------------+
|  0.007181627| 1651730407500000000|
| 8.3004625E-4| 1651730464000000000|
|   0.41976404| 1651730507000000000|
|-0.0017322368| 1651732761000000000|
|-2.5260705E-4| 1651732822500000000|
| 2.3460487E-4| 1651732824500000000|
+-------------+--------------------+

我需要向 spark_p 添加一列，其中包含该特定时间戳的当前信息。

所以结果看起来像这样：

+--------------------+-----+--------------------+---------+
|__record_timestamp__|cycle|            profiles|  current|
+--------------------+-----+--------------------+---------+
| 1651737406300000000|    0|[0, 1, 1, 1, 3, 1...|     0.07|
| 1651737406300000000|   16|[0, 0, 1, 0, 0, 0...|       12|
| 1651737406300000000|   17|[1, 1, 1, 1, 0, 0...|      0.0|
| 1651737406300000000|   18|[0, 0, 0, 0, 0, 1...| 5.235654|
| 1651737406300000000|   19|[1, 1, 1, 0, 0, 0...|      125|
+--------------------+-----+--------------------+---------+

现在时间戳不会完全匹配，但我只需要最接近的时间戳，或者使用之前记录的电流值，两者都可以。我不知道怎么...

当我尝试时：

spark_p.join(spark_m, spark_p.__record_timestamp__ ==  spark_m.__record_timestamp__, "inner").show()

我刚刚得到：

+--------------------+-----+--------+-----+--------------------+
|__record_timestamp__|cycle|profiles|value|__record_timestamp__|
+--------------------+-----+--------+-----+--------------------+
+--------------------+-----+--------+-----+--------------------+

所以我猜 none 它们完全匹配，但我如何才能获取最接近的值？ TIA

Answer 1

此解决方案包含答案：

SPLIT_COUNT = 90
SPLIT_SIZE = 1024

spark_p = data.select("profiles", '__record_timestamp__')
spark_p = spark_p.withColumn("profiles", F.col("profiles").getField("elements") )

slices = [F.slice(F.col('profiles'), i * SPLIT_SIZE + 1, SPLIT_SIZE) for i in range(SPLIT_COUNT)]

spark_p = spark_p.select(F.posexplode(F.array(*slices)), F.col('__record_timestamp__'))
spark_p = spark_p.withColumn("cycle", F.col("pos") )
spark_p = spark_p.withColumn("profiles", F.col("col") )
spark_p = spark_p.drop('pos').drop('col')

spark_m = magnetData.select("value", '__record_timestamp__', )


spark_p = spark_p.withColumn('value', F.lit(None))


spark_m = spark_m.withColumn('profiles', F.lit(None))
spark_m = spark_m.withColumn('cycle', F.lit(None))


final_df = spark_p.unionByName(spark_m)

w = Window.orderBy('__record_timestamp__').rowsBetween(Window.unboundedPreceding, -1)

final_df = final_df.withColumn('value', F.last('value', True).over(w)).filter(~F.isnull('profiles'))

您必须使用 unboundedPreceding 参数创建 window。

使用最接近的时间戳 pyspark 连接两个数据帧

Join two dataframes using the closest timestamp pyspark

python

apache-spark

join

pyspark

apache-spark-sql