[英]How to use window functions in PySpark?
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。
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.