[英]Apply window function in Spark with non constant frame size
我的问题
我目前在使用Spark窗口功能时遇到困难。 我正在使用Spark(通过pyspark)版本1.6.3
(关联的Python版本2.6.6
)。 我运行一个pyspark shell实例,该实例自动将HiveContext
初始化为sqlContext
。
我想用window
函数进行滚动。 我的问题是窗框不是固定的:它取决于我们考虑的观察结果。 更具体地说,我对变量$ x + 1 $和$ 2x-1 $之间的任何索引为$ x $的观测值通过名为rank_id
的变量进行rank_id
并希望进行滚动总和。 因此,我的rangeBetween
必须取决于rank_id
变量值。
重要的一点是我不想收集数据,因此不能使用诸如numpy
东西(我的数据有很多观察结果)。
可复制的例子
from pyspark.mllib.random import RandomRDDs
import pyspark.sql.functions as psf
from pyspark.sql.window import Window
# Reproducible example
data = RandomRDDs.uniformVectorRDD(sc, 15, 2)
df = data.map(lambda l: (float(l[0]), float(l[1]))).toDF()
df = df.selectExpr("_1 as x", "_2 as y")
#df.show(2)
#+-------------------+------------------+
#| x| y|
#+-------------------+------------------+
#|0.32767742062486405|0.2506351566289311|
#| 0.7245348534550357| 0.597929853274274|
#+-------------------+------------------+
#only showing top 2 rows
# Finalize dataframe creation
w = Window().orderBy("x")
df = df.withColumn("rank_id", psf.rowNumber().over(w)).sort("rank_id")
#df.show(3)
#+--------------------+--------------------+-------+
#| x| y|rank_id|
#+--------------------+--------------------+-------+
#|0.016536160706045577|0.009892450530381458| 1|
#| 0.10943843181953838| 0.6478505849227775| 2|
#| 0.13916818312857027| 0.24165348228464578| 3|
#+--------------------+--------------------+-------+
#only showing top 3 rows
固定宽度累计总和:没问题
使用window
函数,我可以对给定数量的索引运行累加和(我在这里使用rangeBetween
但是对于本示例, rowBetween
可以无差别地使用)。
w = Window.orderBy('rank_id').rangeBetween(-1,3)
df1 = df.select('*', psf.sum(df['y']).over(w).alias('roll1'))
#df1.show(3)
#+--------------------+--------------------+-------+------------------+
#| x| y|rank_id| roll1|
#+--------------------+--------------------+-------+------------------+
#|0.016536160706045577|0.009892450530381458| 1|0.9698521852602887|
#| 0.10943843181953838| 0.6478505849227775| 2|1.5744700156326066|
#| 0.13916818312857027| 0.24165348228464578| 3|2.3040547273760392|
#+--------------------+--------------------+-------+------------------+
#only showing top 3 rows
累计总和宽度不固定
我想在索引x + 1和2x-1之间求和,其中x是我的行索引。 当我尝试将其传递给Spark时(以类似于我们为orderBy
所做的方式,也许就是问题所在),我遇到了以下错误
# Now if I want to make rangeBetween size depend on a variable
w = Window.orderBy('rank_id').rangeBetween('rank_id'+1,2*'rank_id'-1)
追溯(最近一次调用最近):TypeError中的文件“”,第1行,无法连接“ str”和“ int”对象
我尝试使用SQL语句进行其他操作
# Using SQL expression
df.registerTempTable('tempdf')
df2 = sqlContext.sql("""
SELECT *, SUM(y)
OVER (ORDER BY rank_id
RANGE BETWEEN rank_id+1 AND 2*rank_id-1) AS cumsum
FROM tempdf;
""")
这一次给我以下错误
追溯(最近一次调用最近):文件“”,行6,在文件“ /opt/application/Spark/current/python/pyspark/sql/context.py”中,行> 580,在sql中返回DataFrame(self._ssql_ctx .sql(sqlQuery),self)文件“ /opt/application/Spark/current/python/lib/py4j-0.9-src.zip/py4j/java_gateway.py”,行813,在调用文件“ / opt / application /装饰中引发Spark / current / python / pyspark / sql / utils.py“,第51行,引发AnalysisException(s.split(':',1)[1],stackTrace)pyspark.sql.utils.AnalysisException:u”无法在windowframeboundary中识别'rank_id''+''1'附近的输入;第3行pos 15“
我还注意到,当我尝试使用SQL OVER
子句SQL OVER
更简单的语句时,遇到了类似的错误,这可能意味着我没有将SQL语句正确传递给Spark
df2 = sqlContext.sql("""
SELECT *, SUM(y)
OVER (ORDER BY rank_id
RANGE BETWEEN -1 AND 1) AS cumsum
FROM tempdf;
""")
追溯(最近一次通话最近):文件“ /opt/application/Spark/current/python/pyspark/sql/context.py”中的文件580行,在SQL中的行580,返回DataFrame(self._ssql_ctx。 sql(sqlQuery),self)文件“ /opt/application/Spark/current/python/lib/py4j-0.9-src.zip/py4j/java_gateway.py”,行813,在调用文件“ / opt / application / Spark”中/current/python/pyspark/sql/utils.py“,第51行,在装饰中引发AnalysisException(s.split(':',1)[1],stackTrace)pyspark.sql.utils.AnalysisException:u”无法识别在windowframeboundary中的'-''1''AND'附近输入;第3行pos 15“
如何在Spark中使用window
或SQL
语句解决问题?
如何在Spark中使用window或SQL语句解决问题?
TL; DR您不能或至少不能以可伸缩的方式满足当前要求。 您可以尝试类似于在RDD上滑动的操作: 如何在Pyspark中的时间序列数据上使用滑动窗口转换数据
我还注意到,当我尝试使用SQL OVER子句编写更简单的语句时,遇到了类似的错误,这可能意味着我没有将SQL语句正确传递给Spark
不正确 范围规范要求( PRECEDING
| FOLLOWING
| CURRENT_ROW
)规范。 也不应有分号:
SELECT *, SUM(x)
OVER (ORDER BY rank_id
RANGE BETWEEN 1 PRECEDING AND 1 FOLLOWING) AS cumsum
FROM tempdf
我想在索引x + 1和2x-1之间求和,其中x是我的行索引。 当我尝试将其传递给Spark时(以类似的方式处理orderBy也许就是问题所在),我遇到了以下错误...
TypeError:无法连接“ str”和“ int”对象
如异常所示-您不能在字符串和整数上调用+
。 您可能想要以下列:
from pyspark.sql.functions import col
.rangeBetween(col('rank_id') + 1, 2* col('rank_id') - 1)
但是不支持。 范围必须是固定大小,不能根据表达式进行定义。
重要的一点是我不想收集数据
没有partitionBy
窗口定义:
w = Window.orderBy('rank_id').rangeBetween(-1,3)
和收集一样糟糕。 因此,即使有针对“动态框架”(带有条件和无边界窗口)问题的解决方法,它们也无法在这里为您提供帮助。
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.