PySpark - 將單個整數列表與列表列進行比較

Question

我正在嘗試檢查 spark 數據框中的哪些條目（帶列表的列）包含給定列表中的最大數量的值。

我想出的最好方法是使用rdd.foreach()迭代數據幀，並使用 python 的set1.intersection(set2)將給定列表與每個條目進行比較。

我的問題是 spark 是否有任何內置功能，因此可以避免使用.foreach進行迭代？

感謝您的幫助！

PS我的數據框看起來像這樣：

+-------------+---------------------+                                           
|   cardnumber|collect_list(article)|
+-------------+---------------------+
|2310000000855| [12480, 49627, 80...|
|2310000008455| [35531, 22564, 15...|
|2310000011462| [117112, 156087, ...|
+-------------+---------------------+

我正在嘗試使用給定的文章列表在第二列中找到交叉點最多的條目，例如[151574, 87239, 117908, 162475, 48599]

Answer 1

您可以在數據框中嘗試相同的設置操作，而不是使用 rdd.foreach：

from pyspark.sql.functions import udf, li, col
my_udf=udf(lambda A,B: list(set(A).intersection(set(B))))
df=df.withColumn('intersect_value', my_udf('A', 'B'))

您可以使用 len 函數獲取 UDF 本身中相交列表的大小，並從此數據幀執行您想要的操作。

Answer 2

這里唯一的選擇是udf ，但不會有太大區別。

from pyspark.sql.functions import udf, li, col

def intersect(xs):
    xs = set(xs)
    @udf("array<long>")
    def _(ys):
        return list(xs.intersection(ys))
    return _

它可以應用為：

a_list = [1, 4, 6]

df = spark.createDataFrame([
    (1, [3, 4, 8]), (2, [7, 2, 6])
], ("id", "articles"))

df.withColumn("intersect", intersect(a_list)("articles")).show()

# +---+---------+---------+
# | id| articles|intersect|
# +---+---------+---------+
# |  1|[3, 4, 8]|      [4]|
# |  2|[7, 2, 6]|      [6]|
# +---+---------+---------+

根據名稱，您似乎使用了collect_list因此您的數據可能如下所示：

df_long = spark.createDataFrame([
    (1, 3),(1, 4), (1, 8), (2, 7), (2, 7), (2, 6)
], ("id", "articles"))

在這種情況下，問題更簡單。 加入

lookup = spark.createDataFrame(a_list, "long").toDF("articles")

joined = lookup.join(df_long, ["articles"])

並匯總結果：

joined.groupBy("id").count().show()
# +---+-----+                                                                     
# | id|count|
# +---+-----+
# |  1|    1|
# |  2|    1|
# +---+-----+


joined.groupBy("id").agg(collect_list("articles")).show()
# +---+----------------------+                                                    
# | id|collect_list(articles)|
# +---+----------------------+
# |  1|                   [4]|
# |  2|                   [6]|
# +---+----------------------+