如何在pyspark中获取顺序ID

Question

我有一个 pyspark 数据框，其 id 重复且不连续。我想添加一列顺序 ID，即下面的第二列

id | seq
1  |1
3  |2
7  |3
3  |2
3  |2

我发现实现这一点的唯一方法是

window = Window.orderBy(col('id'))
df1 = df.select('id').distinct().withColumn('seq', F.row_number().over(window))
df.join(df1, on='id')

但这似乎不是最好的方法。是否有另一种更快的方法来完成此操作？

Answer 1

使用dense_rank窗口函数。

Example:

from pyspark.sql.window import *
from pyspark.sql.functions import *
w=Window.orderBy('id')

df.show()
#+---+
#| id|
#+---+
#|  1|
#|  3|
#|  3|
#|  3|
#|  7|
#+---+
df.withColumn("seq",dense_rank().over(w)).show()
#+---+---+
#| id|seq|
#+---+---+
#|  1|  1|
#|  3|  2|
#|  3|  2|
#|  3|  2|
#|  7|  3|
#+---+---+