Pyspark 使用數據框進行子選擇/子查詢連接

Question

我希望加入一個基於低於該值的最接近匹配的值。 在 SQL 中，我可以很容易地做到這一點。 考慮以下數據：

tbl 實際值

|Date       |Temperature:
|09/02/2020 |14.1
|10/02/2020 |15.3
|11/02/2020 |12.2
|12/02/2020 |12.4
|13/02/2020 |12.5
|14/02/2020 |11
|15/02/2020 |14.6

tbl系數：

|Metric |Coefficient
|10.5   |0.997825593
|11     |0.997825593
|11.5   |0.997663198
|12     |0.997307614
|12.5   |0.996848773
|13     |0.996468537
|13.5   |0.99638519
|14     |0.996726301
|14.5   |0.997435894
|15     |0.998311153
|15.5   |0.999135509

在 SQL 中，我可以通過以下方式實現加入：

Select 
    a.date, 
    b.temperature, 
    (select top 1 b.Coefficient from tblCoefficients b where b.Metric <= a.Temperature order by b.Metric desc) as coefficient 
from tblActuals

有沒有辦法用兩個 pyspark 數據幀中的數據實現與上述相同的效果？ 我可以在 spark SQL 中獲得類似的結果，但我需要數據幀的靈活性來實現我在數據塊中創建的過程。

Answer 1

您可以進行連接並獲取最大（最接近）指標的系數：

import pyspark.sql.functions as F

result = tblActuals.join(
    tblCoefficients,
    tblActuals['Temperature'] >= tblCoefficients['Metric']
).groupBy(tblActuals.columns).agg(
    F.max(F.struct('Metric', 'Coefficient'))['Coefficient'].alias('coefficient')
)

result.show()
+----------+-----------+-----------+
|      Date|Temperature|coefficient|
+----------+-----------+-----------+
|15/02/2020|       14.6|0.997435894|
|12/02/2020|       12.4|0.997307614|
|14/02/2020|       11.0|0.997825593|
|13/02/2020|       12.5|0.996848773|
|11/02/2020|       12.2|0.997307614|
|10/02/2020|       15.3|0.998311153|
|09/02/2020|       14.1|0.996726301|
+----------+-----------+-----------+