如何在 PySpark 中使用窗口函数？

Question

我正在尝试将一些 Windows 函数（ ntile和percentRank ）用于数据框，但我不知道如何使用它们。

任何人都可以帮我解决这个问题吗？ 在Python API 文档中没有关于它的示例。

具体来说，我试图在我的数据框中获取数字字段的分位数。

我正在使用火花 1.4.0。

Answer 1

为了能够使用窗口函数，您必须先创建一个窗口。 定义与普通 SQL 几乎相同，这意味着您可以定义顺序、分区或两者。 首先让我们创建一些虚拟数据：

import numpy as np
np.random.seed(1)

keys = ["foo"] * 10 + ["bar"] * 10
values = np.hstack([np.random.normal(0, 1, 10), np.random.normal(10, 1, 100)])

df = sqlContext.createDataFrame([
   {"k": k, "v": round(float(v), 3)} for k, v in zip(keys, values)])

确保您使用的是HiveContext （仅限 Spark < 2.0）：

from pyspark.sql import HiveContext

assert isinstance(sqlContext, HiveContext)

创建一个窗口：

from pyspark.sql.window import Window

w =  Window.partitionBy(df.k).orderBy(df.v)

这相当于

(PARTITION BY k ORDER BY v) 

在 SQL 中。

根据经验，窗口定义应始终包含PARTITION BY子句，否则 Spark 会将所有数据移动到单个分区。 某些函数需要ORDER BY ，而在不同情况下（通常是聚合）可能是可选的。

还有两个可选项可用于定义窗口跨度 - ROWS BETWEEN和RANGE BETWEEN 。 在这种特殊情况下，这些对我们没有用。

最后，我们可以将其用于查询：

from pyspark.sql.functions import percentRank, ntile

df.select(
    "k", "v",
    percentRank().over(w).alias("percent_rank"),
    ntile(3).over(w).alias("ntile3")
)

请注意， ntile与分位数没有任何关系。