检索pyspark中a DataFrame的每组中的top n

Question

pyspark中有一个DataFrame，数据如下：

user_id object_id score
user_1  object_1  3
user_1  object_1  1
user_1  object_2  2
user_2  object_1  5
user_2  object_2  2
user_2  object_2  6

我期望的是在每个组中返回 2 条具有相同 user_id 的记录，这些记录需要具有最高分。 因此，结果应如下所示：

user_id object_id score
user_1  object_1  3
user_1  object_2  2
user_2  object_2  6
user_2  object_1  5

我真的是 pyspark 的新手，谁能给我一个代码片段或这个问题的相关文档的门户？ 太谢谢了！

Answer 1

我相信您需要使用窗口函数根据user_id和score获得每行的排名，然后过滤结果以仅保留前两个值。

from pyspark.sql.window import Window
from pyspark.sql.functions import rank, col

window = Window.partitionBy(df['user_id']).orderBy(df['score'].desc())

df.select('*', rank().over(window).alias('rank')) 
  .filter(col('rank') <= 2) 
  .show() 
#+-------+---------+-----+----+
#|user_id|object_id|score|rank|
#+-------+---------+-----+----+
#| user_1| object_1|    3|   1|
#| user_1| object_2|    2|   2|
#| user_2| object_2|    6|   1|
#| user_2| object_1|    5|   2|
#+-------+---------+-----+----+

一般来说，官方编程指南是开始学习 Spark 的好地方。

数据

rdd = sc.parallelize([("user_1",  "object_1",  3), 
                      ("user_1",  "object_2",  2), 
                      ("user_2",  "object_1",  5), 
                      ("user_2",  "object_2",  2), 
                      ("user_2",  "object_2",  6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])

Answer 2

如果在获得秩相等时使用row_number而不是rank ，则 Top-n 更准确：

val n = 5
df.select(col('*'), row_number().over(window).alias('row_number')) \
  .where(col('row_number') <= n) \
  .limit(20) \
  .toPandas()

Note limit(20).toPandas()技巧代替了 Jupyter 笔记本的show()以获得更好的格式。

Answer 3

我知道这个问题是针对pyspark提出的，我正在Scala寻找类似的答案，即

在Scala中检索DataFrame的每组中的前n个值

这是@mtoto 答案的scala版本。

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions.rank
import org.apache.spark.sql.functions.col

val window = Window.partitionBy("user_id").orderBy('score desc)
val rankByScore = rank().over(window)
df1.select('*, rankByScore as 'rank).filter(col("rank") <= 2).show() 
# you can change the value 2 to any number you want. Here 2 represents the top 2 values

可以在此处找到更多示例。

Answer 4

这是另一个没有窗口函数的解决方案，可以从 pySpark DataFrame 获取前 N 条记录。

# Import Libraries
from pyspark.sql.functions import col

# Sample Data
rdd = sc.parallelize([("user_1",  "object_1",  3), 
                      ("user_1",  "object_2",  2), 
                      ("user_2",  "object_1",  5), 
                      ("user_2",  "object_2",  2), 
                      ("user_2",  "object_2",  6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])

# Get top n records as Row Objects
row_list = df.orderBy(col("score").desc()).head(5)

# Convert row objects to DF
sorted_df = spark.createDataFrame(row_list)

# Display DataFrame
sorted_df.show()

输出

+-------+---------+-----+
|user_id|object_id|score|
+-------+---------+-----+
| user_1| object_2|    2|
| user_2| object_2|    2|
| user_1| object_1|    3|
| user_2| object_1|    5|
| user_2| object_2|    6|
+-------+---------+-----+

如果您对 Spark 中的更多窗口函数感兴趣，可以参考我的博客之一： https : //medium.com/expedia-group-tech/deep-dive-into-apache-spark-window-functions-7b4e39ad3c86

Answer 5

使用 Python 3 和 Spark 2.4

from pyspark.sql import Window
import pyspark.sql.functions as f

def get_topN(df, group_by_columns, order_by_column, n=1):
    window_group_by_columns = Window.partitionBy(group_by_columns)
    ordered_df = df.select(df.columns + [
        f.row_number().over(window_group_by_columns.orderBy(order_by_column.desc())).alias('row_rank')])
    topN_df = ordered_df.filter(f"row_rank <= {n}").drop("row_rank")
    return topN_df

top_n_df = get_topN(your_dataframe, [group_by_columns],[order_by_columns], 1) 

Answer 6

要使用ROW_NUMBER()函数在 PYSPARK SQLquery 中查找第 N 个最大值：

SELECT * FROM (
    SELECT e.*, 
    ROW_NUMBER() OVER (ORDER BY col_name DESC) rn 
    FROM Employee e
)
WHERE rn = N

N 是该列所需的第 n 个最高值

输出：

[Stage 2:>               (0 + 1) / 1]++++++++++++++++
+-----------+
|col_name   |
+-----------+
|1183395    |
+-----------+

查询将返回 N 个最高值

Answer 7

如何在同一个 spark SQL 查询中获得前 N 和后 N 条记录？

Answer 8

添加到 moto 的答案中，您还可以考虑使用row_number ，因为rank 有时会为相同的行提供相同的值，这可能会为每个 group 提供不同数量的值。 见下文：

from pyspark.sql.window import Window
from pyspark.sql.functions import row_number, col

win = Window.partitionBy(sdf["user_id"]).orderBy(sdf["score"].desc())

sdf.select("*", row_number().over(win).alias('row_n'))\
  .filter(col('row_n') <= 2)\
  .show()

#+-------+---------+-----+-----+
#|user_id|object_id|score|row_n|
#+-------+---------+-----+-----+
#| user_1| object_1|    3|    1|
#| user_1| object_2|    2|    2|
#| user_2| object_2|    6|    1|
#| user_2| object_1|    5|    2|
#+-------+---------+-----+-----+