我想用 Pyspark 中的最后一行值填充缺失值：

Question

我的df 有多个列

我试过的查询：

df=df.withColumn('Column_required',F.when(df.Column_present>1,df.Column_present).otherwise(lag(df.Column_present))

否则无法工作。 .我要操作的列：

Column_present       Column_required
40000                 40000
Null                  40000
Null                  40000
500                   500
Null                  500
Null                  500

Answer 1

我认为您的解决方案可能是使用last 而不是滞后：

df_new = spark.createDataFrame([
(1, 40000), (2, None),  (3,None), (4,None),
(5,500), (6,None), (7,None)
], ("id", "Col_present"))

df_new.withColumn('Column_required',when(df_new.Col_present>1,df_new.Col_present).otherwise(last(df_new.Col_present,ignorenulls=True).over(Window.orderBy("id")))).show()

这将产生您想要的输出：

+---+-----------+---------------+
| id|Col_present|Column_required|
+---+-----------+---------------+
|  1|      40000|          40000|
|  2|       null|          40000|
|  3|       null|          40000|
|  4|       null|          40000|
|  5|        500|            500|
|  6|       null|            500|
|  7|       null|            500|
+---+-----------+---------------+

但请注意，window 函数需要一个列来执行排序。这就是我在示例中使用id 列的原因。如果您的数据框不包含带有monotonically_increasing_id() 的可排序列，您可以自己创建一个 id 列。