评估 nans 切片大小

Question

我有一个 spark 数据框，其中有一列中有一些 null 值。我需要计算非空值之前的连续 null 值。

使用 numpy 我会做这样的事情（代码没有针对 numpy 进行优化，因为我试图在我的问题中不使用它）：

import numpy as np

x = np.array([[0, None], [1, 3.], [2, 7.], [3, None], [4, 4.], [5, 3.], 
              [6, None], [7, None], [8, 5.], [9, 2.], [10, None]])

def nan_count(l, n):
    assert n <= len(l) + 1
    assert n >= 0

    if n < 1 or l[n-1] is not None:
        return 0
    return nan_count(l, n-1) + 1

y = map(lambda i: nan_count(x[:,1], i), x[:,0])
res = np.concatenate([x, np.asarray(y).reshape(-1,1)], axis = 1)
res

所以输出看起来像这样：

Out[31]: [0, 1, 0, 0, 1, 0, 0, 1, 2, 0, 0]

现在，如果我有像 x 这样的 spark DataFrame：

x = sc.parallelize([[0, None], [1, 3.], [2, 7.], [3, None], [4, 4.],
                    [5, 3.], [6, None], [7, None], [8, 5.], [9, 2.], [10, None]])\
      .toDF()
x.show()

+---+----+
| _1|  _2|
+---+----+
|  0|null|
|  1| 3.0|
|  2| 7.0|
|  3|null|
|  4| 4.0|
|  5| 3.0|
|  6|null|
|  7|null|
|  8| 5.0|
|  9| 2.0|
| 10|null|
+---+----+

如何获得相同的输出？

我已经尝试了一些使用udf 的解决方法，但是我在引用选择之前的值时遇到了问题（我尝试在udf 中使用select 和filter pyspark.sql.dataframe.DataFrame 方法，但它不是允许）。

编辑：我不知道我能找到多少个连续的nans。

Answer 1

我将 cmets 放入代码中，以解释每个步骤，直到达到所需的输出。

当然，没有必要从下面的示例中创建所有列，并且可能此代码可以得到很大改进，但我认为重要的是逐步向您展示并开始解决您的问题。

x = sc.parallelize([
    [0, None],
    [1, 3.],
    [2, 7.],
    [3, None],
    [4, 4.],
    [5, 3.],
    [6, None],
    [7, None],
    [8, 5.],
    [9, 2.],
    [10, None]
])
# Assigned values ​​in columns A and B to facilitate manipulation
x = x.toDF(['A', 'B'])

# Prints initial DF
x.show()

输出：

+---+----+
|  A|   B|
+---+----+
|  0|null|
|  1| 3.0|
|  2| 7.0|
|  3|null|
|  4| 4.0|
|  5| 3.0|
|  6|null|
|  7|null|
|  8| 5.0|
|  9| 2.0|
| 10|null|
+---+----+

# Transform null values into "1"
x = x.withColumn('C', when(x.B.isNull(), 1))
x.show()

输出：

+---+----+----+
|  A|   B|   C|
+---+----+----+
|  0|null|   1|
|  1| 3.0|null|
|  2| 7.0|null|
|  3|null|   1|
|  4| 4.0|null|
|  5| 3.0|null|
|  6|null|   1|
|  7|null|   1|
|  8| 5.0|null|
|  9| 2.0|null|
| 10|null|   1|
+---+----+----+

# Creates a spec that order column A
order_spec = Window().orderBy('A')

# Doing a cumulative sum. See the explanation
# https://stackoverflow.com/questions/56384625/pyspark-cumulative-sum-with-reset-condition
x = x \
    .withColumn('tmp', sum((x.C.isNull()).cast('int')).over(order_spec)) \
    .withColumn('D', sum(x.C).over(order_spec.partitionBy("tmp"))) \
    .drop('tmp')
x.show()

输出：

+---+----+----+----+
|  A|   B|   C|   D|
+---+----+----+----+
|  0|null|   1|   1|
|  1| 3.0|null|null|
|  2| 7.0|null|null|
|  3|null|   1|   1|
|  4| 4.0|null|null|
|  5| 3.0|null|null|
|  6|null|   1|   1|
|  7|null|   1|   2|
|  8|null|   1|   3|
|  9| 5.0|null|null|
| 10| 2.0|null|null|
| 11|null|   1|   1|
+---+----+----+----+

# Put values from column D to one row above and select the desired output values
x = x.withColumn('E', lag(x.D, ).over(order_spec)) \
    .select(x.A, x.B, when(col('E').isNotNull(), col('E')).otherwise(0).alias('nan_count'))
x.show()

输出：

+---+----+---------+
|  A|   B|nan_count|
+---+----+---------+
|  0|null|        0|
|  1| 3.0|        1|
|  2| 7.0|        0|
|  3|null|        0|
|  4| 4.0|        1|
|  5| 3.0|        0|
|  6|null|        0|
|  7|null|        1|
|  8|null|        2|
|  9| 5.0|        3|
| 10| 2.0|        0|
| 11|null|        0|
+---+----+---------+

完整代码：

from pyspark.shell import sc
from pyspark.sql import Window
from pyspark.sql.functions import lag, when, sum, col

x = sc.parallelize([
    [0, None], [1, 3.], [2, 7.], [3, None], [4, 4.],
    [5, 3.], [6, None], [7, None], [8, None], [9, 5.], [10, 2.], [11, None]])
x = x.toDF(['A', 'B'])

# Transform null values into "1"
x = x.withColumn('C', when(x.B.isNull(), 1))

# Creates a spec that order column A
order_spec = Window().orderBy('A')

# Doing a cumulative sum with reset condition. See the explanation
# https://stackoverflow.com/questions/56384625/pyspark-cumulative-sum-with-reset-condition
x = x \
    .withColumn('tmp', sum((x.C.isNull()).cast('int')).over(order_spec)) \
    .withColumn('D', sum(x.C).over(order_spec.partitionBy("tmp"))) \
    .drop('tmp')

# Put values from column D to one row above and select the desired output values
x = x.withColumn('E', lag(x.D, ).over(order_spec)) \
    .select(x.A, x.B, when(col('E').isNotNull(), col('E')).otherwise(0).alias('nan_count'))
x.show()