如何使用spark中的窗口函数过滤数据

Question

我有以下数据：

rowid uid time code
   1  1      5    a
   2  1      6    b
   3  1      7    c
   4  2      8    a
   5  2      9    c
   6  2      9    c
   7  2     10    c
   8  2     11    a
   9  2     12    c

现在我想以这样一种方式过滤数据，以便我可以删除第 6 行和第 7 行，因为对于特定的 uid，我想在代码中只保留一个值为“c”的行

所以预期的数据应该是：

rowid uid time code
   1  1      5    a
   2  1      6    b
   3  1      7    c
   4  2      8    a
   5  2      9    c
   8  2     11    a
   9  2     12    c

我正在使用类似这样的窗口功能：

val window = Window.partitionBy("uid").orderBy("time")
val change = ((lag("code", 1).over(window) <=> "c")).cast("int")

这将帮助我们用代码“c”识别每一行。我可以扩展它以过滤掉行以获得预期的数据

Answer 1

如果您只想删除 code = "c" 的行（每个 uid 的第一行除外），您可以尝试以下操作：

val window = Window.partitionBy("uid", "code").orderBy("time")
val result = df
  .withColumn("rank", row_number().over(window))
  .where(
    (col("code") !== "c") ||
    col("rank") === 1
  )
  .drop("rank")

根据新信息进行编辑：

val window = Window.partitionBy("uid").orderBy("time")
val result = df
  .withColumn("lagValue", coalesce(lag(col("code"), 1).over(window), lit("")))
  .where(
    (col("code") !== "c") ||
    (col("lagValue") !== "c")
  )
  .drop("lagValue")