根据spark中上一行的同一列的值计算值

Question

我有一个问题，我必须使用一个公式来计算一列，该公式使用前一行中计算的值。

我无法使用withColumn API 弄清楚。

我需要使用以下公式计算一个新列：

MovingRate = MonthlyRate + (0.7 * MovingRatePrevious)

... 其中MovingRatePrevious是前一行的MovingRate 。

对于第 1 个月，我有这个值，所以我不需要重新计算它，但我需要该值才能计算后续行。 我需要按类型分区。

这是我的原始数据集：

MovingRate 列中的所需结果：

Answer 1

考虑到每个移动速率是从前一个速率递归计算的要求的性质，面向列的 DataFrame API 不会发光，尤其是在数据集很大的情况下。

也就是说，如果数据集不大，一种方法是让 Spark 通过 UDF 逐行重新计算移动速率，并将窗口分区速率列表作为其输入：

import org.apache.spark.sql.expressions.Window

val df = Seq(
  (1, "blue", 0.4, Some(0.33)),
  (2, "blue", 0.3, None),
  (3, "blue", 0.7, None),
  (4, "blue", 0.9, None),
  (1, "red", 0.5, Some(0.2)),
  (2, "red", 0.6, None),
  (3, "red", 0.8, None)
).toDF("Month", "Type", "MonthlyRate", "MovingRate")

val win = Window.partitionBy("Type").orderBy("Month").
  rowsBetween(Window.unboundedPreceding, 0)

def movingRate(factor: Double) = udf( (initRate: Double, monthlyRates: Seq[Double]) =>
  monthlyRates.tail.foldLeft(initRate)( _ * factor + _ )
)

df.
  withColumn("MovingRate", when($"Month" === 1, $"MovingRate").otherwise(
    movingRate(0.7)(last($"MovingRate", ignoreNulls=true).over(win), collect_list($"MonthlyRate").over(win))
  )).
  show
// +-----+----+-----------+------------------+
// |Month|Type|MonthlyRate|        MovingRate|
// +-----+----+-----------+------------------+
// |    1| red|        0.5|               0.2|
// |    2| red|        0.6|              0.74|
// |    3| red|        0.8|             1.318|
// |    1|blue|        0.4|              0.33|
// |    2|blue|        0.3|0.5309999999999999|
// |    3|blue|        0.7|1.0716999999999999|
// |    4|blue|        0.9|1.6501899999999998|
// +-----+----+-----------+------------------+

Answer 2

尽管可以使用寡妇函数（请参阅@Leo C 的答案），但我敢打赌，使用groupBy为每个Type聚合一次会更高效。 然后，分解 UDF 的结果以获取所有行：

val df = Seq(
  (1, "blue", 0.4, Some(0.33)),
  (2, "blue", 0.3, None),
  (3, "blue", 0.7, None),
  (4, "blue", 0.9, None)
)
.toDF("Month", "Type", "MonthlyRate", "MovingRate")

// this udf produces an Seq of Tuple3 (Month, MonthlyRate, MovingRate)
val calcMovingRate = udf((startRate:Double,rates:Seq[Row]) => rates.tail
  .scanLeft((rates.head.getInt(0),startRate,startRate))((acc,curr) => (curr.getInt(0),curr.getDouble(1),acc._3+0.7*curr.getDouble(1)))
)

df
  .groupBy($"Type")
  .agg(
    first($"MovingRate",ignoreNulls=true).as("startRate"),
    collect_list(struct($"Month",$"MonthlyRate")).as("rates")
  )
  .select($"Type",explode(calcMovingRate($"startRate",$"rates")).as("movingRates"))
  .select($"Type",$"movingRates._1".as("Month"),$"movingRates._2".as("MonthlyRate"),$"movingRates._3".as("MovingRate"))
  .show()

给出：

+----+-----+-----------+------------------+
|Type|Month|MonthlyRate|        MovingRate|
+----+-----+-----------+------------------+
|blue|    1|       0.33|              0.33|
|blue|    2|        0.3|              0.54|
|blue|    3|        0.7|              1.03|
|blue|    4|        0.9|1.6600000000000001|
+----+-----+-----------+------------------+

Answer 3

您要做的是计算一个递归公式，如下所示：

x[i] = y[i] + 0.7 * x[i-1]

其中x[i]是您在第i行的MovingRate和y[i]您在第i行的MonthlyRate 。

问题是这是一个纯粹的顺序公式。 每一行都需要前一行的结果，而前一行的结果又需要前一行的结果。 Spark 是一个并行计算引擎，很难使用它来加速无法真正并行化的计算。