如何使用DataFrames在PySpark中使用窗口函数？

Question

试图弄清楚如何在PySpark中使用窗口函数。 这是我希望能够做的一个例子，只计算用户有“事件”的次数（在这种情况下，“dt”是模拟时间戳）。

from pyspark.sql.window import Window
from pyspark.sql.functions import count

df = sqlContext.createDataFrame([{"id": 123, "dt": 0}, {"id": 123, "dt": 1}, {"id": 234, "dt":0}, {"id": 456, "dt":0}, {"id": 456, "dt":1}, {"id":456, "dt":2}])
df.select(["id","dt"], count("dt").over(Window.partitionBy("id").orderBy("dt")).alias("count")).show()

这会产生错误。 使用窗口函数的正确方法是什么？ 我读到1.4.1（我们需要使用的版本，因为它是AWS上的标准版本）应该能够使用DataFrame API来实现它们。

FWIW，关于这个主题的文档很少。 我无法让任何实例运行。

Answer 1

它会抛出异常，因为您传递了列的列表。 DataFrame.select签名如下所示

df.select(self, *cols)

并且使用窗口函数的表达式就像任何其他列一样，所以你需要的是这样的：

w = Window.partitionBy("id").orderBy("dt") # Just for clarity
df.select("id","dt", count("dt").over(w).alias("count")).show()

## +---+---+-----+
## | id| dt|count|
## +---+---+-----+
## |234|  0|    1|
## |456|  0|    1|
## |456|  1|    2|
## |456|  2|    3|
## |123|  0|    1|
## |123|  1|    2|
## +---+---+-----+

一般而言，Spark SQL窗口函数的行为与任何现代RDBMS中的行为完全相同。