具有当前行条件的 Spark 窗口函数

Question

我正在尝试计算给定的order_id 在过去 365 天内有多少订单已付款。这不是问题所在：我使用window function。

对我来说比较棘手的地方是：我不想在当前order_id 的order_date 之后的payment_date 之后计算订单。

目前，我有这样的事情：

val window: WindowSpec = Window
  .partitionBy("customer_id")
  .orderBy("order_date")
  .rangeBetween(-365*days, -1)

和

df.withColumn("paid_order_count", count("*") over window)

这将计算客户当前订单前 365 天内的所有订单。

我现在如何合并一个将当前订单的order_date 考虑在内的计数条件？

例子：

+---------+-----------+-------------+------------+
|order_id |order_date |payment_date |customer_id |
+---------+-----------+-------------+------------+
|1        |2017-01-01 |2017-01-10   |A           |
|2        |2017-02-01 |2017-02-10   |A           |
|3        |2017-02-02 |2017-02-20   |A           |

结果表应如下所示：

+---------+-----------+-------------+------------+-----------------+
|order_id |order_date |payment_date |customer_id |paid_order_count |
+---------+-----------+-------------+------------+-----------------+
|1        |2017-01-01 |2017-01-10   |A           |0                |
|2        |2017-02-01 |2017-02-10   |A           |1                |
|3        |2017-02-02 |2017-02-20   |A           |1                |

对于order_id = 3，paid_order_count 不应该是2，而是1，因为order_id = 2 是在放置order_id = 3 之后支付的。

希望我能很好地解释我的问题，期待你的想法！

Answer 1

很好的问题！！！ 有几点说明，使用 rangeBetween 创建一个基于行数而不是值的固定框架，因此在 2 种情况下会出现问题：

1. 客户并非每天都有订单，因此 365 行窗口可能包含一年前的 order_date 行
2. 如果客户每天有超过一个订单，则会影响一年的保修期
3. 1和2的组合

rangeBetween 也不适用于 Date 和 Timestamp 数据类型。

为了解决这个问题，可以使用带有列表和 UDF 的窗口函数：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

  val df = spark.sparkContext.parallelize(Seq(
    (1, "2017-01-01", "2017-01-10", "A")
    , (2, "2017-02-01", "2017-02-10", "A")
    , (3, "2017-02-02", "2017-02-20", "A")
  )
  ).toDF("order_id", "order_date", "payment_date", "customer_id")
    .withColumn("order_date_ts", to_timestamp($"order_date", "yyyy-MM-dd").cast("long"))
    .withColumn("payment_date_ts", to_timestamp($"payment_date", "yyyy-MM-dd").cast("long"))

//      df.printSchema()
//      df.show(false)

  val window = Window.partitionBy("customer_id").orderBy("order_date_ts").rangeBetween(Window.unboundedPreceding, -1)

  val count_filtered_dates = udf( (days: Int, top: Long, array: Seq[Long]) => {
      val bottom = top - (days * 60 * 60 * 24).toLong // in spark timestamps are in secconds, calculating the date days ago
      array.count(v => v >= bottom && v < top)
    }
  )

  val res = df.withColumn("paid_orders", collect_list("payment_date_ts") over window)
      .withColumn("paid_order_count", count_filtered_dates(lit(365), $"order_date_ts", $"paid_orders"))

  res.show(false)

输出：

+--------+----------+------------+-----------+-------------+---------------+------------------------+----------------+
|order_id|order_date|payment_date|customer_id|order_date_ts|payment_date_ts|paid_orders             |paid_order_count|
+--------+----------+------------+-----------+-------------+---------------+------------------------+----------------+
|1       |2017-01-01|2017-01-10  |A          |1483228800   |1484006400     |[]                      |0               |
|2       |2017-02-01|2017-02-10  |A          |1485907200   |1486684800     |[1484006400]            |1               |
|3       |2017-02-02|2017-02-20  |A          |1485993600   |1487548800     |[1484006400, 1486684800]|1               |
+--------+----------+------------+-----------+-------------+---------------+------------------------+----------------+

在几秒钟内将日期转换为 Spark 时间戳可以提高列表的内存效率。

这是最容易实现的代码，但不是最佳代码，因为列表会占用一些内存，自定义 UDAF 是最好的，但需要更多编码，以后可能会这样做。如果每个客户有数千个订单，这仍然有效。