[英]dataframe pyspark update rows from previous rows
我正在使用 pyspark,並且我有一個如下所示的數據框:
CODE | POSITION| COL1 | COL2
A | 1 | |
A | 2 | | AAA
A | 3 | INF |
A | 4 | BIC |
A | 5 | |
B | 1 | | BBB
B | 2 | MIL |
B | 3 | |
B | 4 | | CCC
B | 5 | |
B | 6 | |
我想要那個:
CODE | POSITION| COL1 | COL2
A | 1 | |
A | 2 | | AAA
A | 3 | INF | AAA
A | 4 | BIC | AAA
A | 5 | |
B | 1 | | BBB
B | 2 | MIL | BBB
B | 3 | |
B | 4 | | CCC
B | 5 | |
B | 6 | |
我解釋一下,這個數據框按“CODE”分組並按“POSITION”排序,我需要一個組“CODE”,當我填充“COL2”(在本例中位置=2)取值“AAA”和將其放在以下位置 3 和 4(同時填充 COL1)
我知道沒那么容易(對我來說!)
非常感謝您的幫助
可以使用last
函數來完成。
F.last
返回有序窗口中的最后一個非空值。
您的數據框:
from pyspark.sql.functions import col
from pyspark.sql.functions import lag
from pyspark.sql.window import Window
from pyspark.sql import functions as F
import sys
df = sc.parallelize([['A', 1, None, None], ['A', 2, None, 'AAA'], ['A', 3, 'INF', None], ['A', 4, 'BIC', None], ['A', 5, None, None], ['B', 1, None, 'BBB'], ['B', 2, 'MIL', None], ['B', 3, None, None], ['B', 4, None, 'CCC'], ['B', 5, None, None], ['B', 6, None, None]])
df = df.toDF(['code', 'position', 'col1', 'col2'])
w = Window.partitionBy("code").orderBy("position")
df.withColumn("col3", F.last('col2', True).over(w.rowsBetween(-sys.maxsize, 0)))\
.withColumn("col3", F.when(col("col1").isNull(), col("col2"))
.otherwise(col("col3")))\
.drop("col2").withColumnRenamed("col3", "col2")\
.orderBy("code", "position").show()
輸出:
+----+--------+----+----+
|code|position|col1|col2|
+----+--------+----+----+
| A| 1|null|null|
| A| 2|null| AAA|
| A| 3| INF| AAA|
| A| 4| BIC| AAA|
| A| 5|null|null|
| B| 1|null| BBB|
| B| 2| MIL| BBB|
| B| 3|null|null|
| B| 4|null| CCC|
| B| 5|null|null|
| B| 6|null|null|
+----+--------+----+----+
如果position 6
對應的col1
被填滿,則在col2
返回CCC
。
當它在窗口中前進時,它采用col2
最新的非空值。
+----+--------+----+----+
| B| 6| XYZ| CCC|
+----+--------+----+----+
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.