[英]PySpark Window Function Comprehension
我一直在使用 PySpark 在一个相当大的 RDD 中运行大量计算,它的每个块看起来像这样:
ID CHK C1 Flag1 V1 V2 C2 Flag2 V3 V4
341 10 100 TRUE 10 10 150 FALSE 10 14
341 9 100 TRUE 10 10 150 FALSE 10 14
341 8 100 TRUE 14 14 150 FALSE 10 14
341 7 100 TRUE 14 14 150 FALSE 10 14
341 6 100 TRUE 14 14 150 FALSE 10 14
341 5 100 TRUE 14 14 150 FALSE 10 14
341 4 100 TRUE 14 14 150 FALSE 12 14
341 3 100 TRUE 14 14 150 FALSE 14 14
341 2 100 TRUE 14 14 150 FALSE 14 14
341 1 100 TRUE 14 14 150 FALSE 14 14
341 0 100 TRUE 14 14 150 FALSE 14 14
我有很多 ID(它取决于 C1 值,例如从 100 到 130 等等,对于许多 C1,对于每个整数,我有一组 11 行,如上面的那些),并且我有很多 ID。 我需要做的是在每一行的组中应用一个公式并添加两列来计算:
D1 = ((row.V1 - prev_row.V1)/2)/((row.V2 + prev_row.V2)/2)
D2 = ((row.V3 - prev_row.V3)/2)/((row.V4 + prev_row.V4)/2)
我所做的(正如我在这篇有用的文章中发现的: https : //arundhaj.com/blog/calculate-difference-with-previous-row-in-pyspark.html )是定义一个窗口:
my_window = Window.partitionBy().orderBy(desc("CHK"))
对于每个中间计算,我创建了一个“临时”列:
df = df.withColumn("prev_V1", lag(df.V1).over(my_window))
df = df.withColumn("prev_V21", lag(df.TA1).over(my_window))
df = df.withColumn("prev_V3", lag(df.SSQ2).over(my_window))
df = df.withColumn("prev_V4", lag(df.TA2).over(my_window))
df = df.withColumn("Sub_V1", F.when(F.isnull(df.V1 - df.prev_V1), 0).otherwise((df.V1 - df.prev_V1)/2))
df = df.withColumn("Sub_V2", (df.V2 + df.prev_V2)/2)
df = df.withColumn("Sub_V3", F.when(F.isnull(df.V3 - df.prev_V3), 0).otherwise((df.V3 - df.prev_V3)/2))
df = df.withColumn("Sub_V4", (df.V4 + df.prev_V4)/2)
df = df.withColumn("D1", F.when(F.isnull(df.Sub_V1 / df.Sub_V2), 0).otherwise(df.Sub_V1 / df.Sub_V2))
df = df.withColumn("D2", F.when(F.isnull(df.Sub_V3 / df.Sub_V4), 0).otherwise(df.Sub_V3 / df.Sub_V4))
最后我摆脱了临时列:
final_df = df.select(*columns_needed)
花了很长时间,我不断得到:
WARN WindowExec: No Partition Defined for Window operation! Moving all data to a single partition, this can cause serious performance degradation.
我知道我没有正确执行此操作,因为上面的代码块位于几个 for 循环中,以便对所有 ID 进行计算,即使用以下方法进行循环:
unique_IDs = list(df1.toPandas()['ID'].unique())
但是在对 PySpark Window 函数进行了更多研究之后,我相信通过正确设置窗口 partitionBy() 我可以更轻松地获得相同的结果。
我查看了避免 Spark 窗口函数中单个分区模式的性能影响,但我仍然不确定如何正确设置我的窗口分区以使其工作。
有人可以为我提供一些有关如何解决此问题的帮助或见解吗?
谢谢
我假设该公式必须应用于每组 ID(这就是我选择在“ID”上进行分区的原因)。
您可以避免使用具有以下内容的“临时”列:
# used to define the lag of a specific column
w_lag=Window.partitionBy("id","C1").orderBy(desc('chk'))
df = df.withColumn('D1',((df.V1-F.lag(df.V1).over(w_lag))/2)\
/((df.V2+F.lag(df.V2).over(w_lag))/2))
df = df.withColumn('D2',((df.V3-F.lag(df.V3).over(w_lag))/2)\
/((df.V4+F.lag(df.V4).over(w_lag))/2))
结果是:
+---+---+---+-----+---+---+---+-----+---+---+-------------------+-------------------+
| id|chk| C1|Flag1| V1| V2| C2|Flag2| V3| V4| D1| D2|
+---+---+---+-----+---+---+---+-----+---+---+-------------------+-------------------+
|341| 10|100| true| 10| 10|150| true| 10| 14| null| null|
|341| 9|100| true| 10| 10|150| true| 10| 14| 0.0| 0.0|
|341| 8|100| true| 14| 14|150| true| 10| 14|0.16666666666666666| 0.0|
|341| 7|100| true| 14| 14|150| true| 10| 14| 0.0| 0.0|
|341| 6|100| true| 14| 14|150| true| 10| 14| 0.0| 0.0|
|341| 5|100| true| 14| 14|150| true| 10| 14| 0.0| 0.0|
|341| 4|100| true| 14| 14|150| true| 12| 14| 0.0|0.07142857142857142|
|341| 3|100| true| 14| 14|150| true| 14| 14| 0.0|0.07142857142857142|
|341| 2|100| true| 14| 14|150| true| 14| 14| 0.0| 0.0|
|341| 1|100| true| 14| 14|150| true| 14| 14| 0.0| 0.0|
|341| 0|100| true| 14| 14|150| true| 14| 14| 0.0| 0.0|
+---+---+---+-----+---+---+---+-----+---+---+-------------------+-------------------+
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.