Pyspark 分组和结构化数据

Question

我在 spark 2.4.5 中有以下数据：

data = [
    ('1234', '203957', '2010', 'London', 'CHEM'),
    ('1234', '203957', '2010', 'London', 'BIOL'),
    ('1234', '288400', '2012', 'Berlin', 'MATH'),
    ('1234', '288400', '2012', 'Berlin', 'CHEM'),
]
d = spark.createDataFrame(data, ['auid', 'eid', 'year', 'city', 'subject'])
d.show()

+----+------+----+------+-------+
|auid|   eid|year|  city|subject|
+----+------+----+------+-------+
|1234|203957|2010|London|   CHEM|
|1234|203957|2010|London|   BIOL|
|1234|288400|2012|Berlin|   MATH|
|1234|288400|2012|Berlin|   CHEM|
+----+------+----+------+-------+

我需要从中获取按auid分组的df，并按城市的时间顺序排列，即另一列中的London, Berlin和[[Berlin, 2010], [London, 2012]]，另外我需要按主题的降序频率列排序：[CHEM,2], [BIOL, 1], [MATH, 1]。或者就像[CHEM, BIOL, MATH]。

我试过了：

d.groupBy('auid').agg(func.collect_set(func.struct('city', 'year')).alias('city_set')).show(10, False)

这导致了：

+----+--------------------------------+
|auid|city_set                        |
+----+--------------------------------+
|1234|[[Berlin, 2012], [London, 2010]]|
+----+--------------------------------+

我在这里卡住了，需要帮助。 （不胜感激对city_set 中的值进行排序的提示）

Answer 1

您可以对struct('year', 'city') 进行collect_list 的聚合，对数组进行排序，然后使用transform 函数调整字段的顺序。与主题类似，创建具有两个字段的结构数组：cnt 和 subject，对结构数组进行排序/降序，然后仅检索 subject 字段：

df_new = d.groupBy('auid').agg(
      func.sort_array(func.collect_set(func.struct('year', 'city'))).alias('city_set'),
      func.collect_list('subject').alias('subjects')
    ).withColumn('city_set', func.expr("transform(city_set, x -> (x.city as city, x.year as year))")) \
    .withColumn('subjects', func.expr("""
        sort_array(
          transform(array_distinct(subjects), x -> (size(filter(subjects, y -> y=x)) as cnt, x as subject)),
          False
        ).subject
      """))

df_new.show(truncate=False) 
+----+--------------------------------+------------------+
|auid|city_set                        |subjects          |
+----+--------------------------------+------------------+
|1234|[[London, 2010], [Berlin, 2012]]|[CHEM, MATH, BIOL]|
+----+--------------------------------+------------------+

编辑：有几种方法可以删除city_set数组中重复的城市条目：

1. 使用Window函数将每个城市的year调整为min(year)，然后重复上述过程。

   d = d.withColumn('year', func.min('year').over(Window.partitionBy('auid','city')))
   

2. 使用aggregate 函数从city_set 数组中删除重复项：

   df_new = d.groupBy('auid').agg(
       func.sort_array(func.collect_set(func.struct('year', 'city'))).alias('city_set')     
   ).withColumn("city_set", func.expr("""         
       aggregate(        
         /* expr: take slice of city_set array from the 2nd element to the last */
         slice(city_set,2,size(city_set)-1),           
         /* start: initialize `acc` as an array with a single entry city_set[0].city */
         array(city_set[0].city),
         /* merge: iterate through `expr`, if x.city exists in `acc`, keep as-is
          *        , otherwise add an entry to `acc` using concat function */
         (acc,x) -> IF(array_contains(acc,x.city), acc, concat(acc, array(x.city)))                     
       )                              
   """))
   

注意：使用 Spark 3.0+ 会更容易：

df_new = d.groupBy('auid').agg(func.expr("array_sort(collect_set((city,year)), (l,r) -> int(l.year-r.year)) as city_set"))