[英]Create historical data from a dataframe in pyspark
我有一個 dataframe 如下:
日期 | 一些數量 |
---|---|
... | ... |
2021-01-01 | 4 |
2021-01-02 | 1 |
2021-01-03 | 6 |
2021-01-04 | 2 |
2021-01-05 | 2 |
2021-01-06 | 8 |
2021-01-07 | 9 |
2021-01-08 | 1 |
... | ... |
我想為每個日歷日創建歷史數據,並在最后一步進行一些聚合。 中間 dataframe 應如下所示:
日歷日期 | 日期 | 一些數量 |
---|---|---|
... | ... | ... |
2021-01-03 | 2021-01-01 | 4 |
2021-01-03 | 2021-01-02 | 1 |
2021-01-04 | ... | ... |
2021-01-04 | 2021-01-01 | 4 |
2021-01-04 | 2021-01-02 | 1 |
2021-01-04 | 2021-01-03 | 6 |
2021-01-05 | ... | ... |
2021-01-05 | 2021-01-01 | 4 |
2021-01-05 | 2021-01-02 | 1 |
2021-01-05 | 2021-01-03 | 6 |
2021-01-05 | 2021-01-04 | 2 |
2021-01-06 | ... | ... |
2021-01-06 | 2021-01-01 | 4 |
2021-01-06 | 2021-01-02 | 1 |
2021-01-06 | 2021-01-03 | 6 |
2021-01-06 | 2021-01-04 | 2 |
2021-01-06 | 2021-01-05 | 2 |
2021-01-06 | ... | ... |
有了這個 dataframe,日歷日期上的任何聚合都很容易(例如,指出當天之前售出的數量、平均 7 天、平均 30 天等)。
我嘗試運行日歷日期的 for 循環:
for i, date in enumerate(pd.data_range("2021-01-01","2021-03-01"):
df_output = []
df_transformed = df.where(F.col("date") < date)
df_transformed = df_transformed.withColumn("calendar_date", date)
if i == 0:
df_output = df_transformed
else:
df_output = df_output.union(df_transformed)
但是,這是非常低效的,並且一旦我開始包含更多列,它就會崩潰。
是否可以創建帶有日歷日期的 dataframe 並進行重新創建 dataframe 我期望的連接?
謝謝你的幫助。
您可以簡單地將日歷 dataframe 與您的主要 dataframe 連接條件“小於”:
# Let's call your main dataframe as `df`
# Extracting first and last date
_, min_date, max_date = (df
.groupBy(F.lit(1))
.agg(
F.min('date').alias('min_date'),
F.max('date').alias('max_date'),
)
.first()
)
# Then create a temporary dataframe to hold all calendar dates
dates = [{'calendar_date': str(d.date())} for d in pd.date_range(min_date, max_date)]
calendar_df = spark.createDataFrame(dates)
calendar_df.show(10, False)
# +-------------+
# |calendar_date|
# +-------------+
# |2021-01-01 |
# |2021-01-02 |
# |2021-01-03 |
# |2021-01-04 |
# |2021-01-05 |
# |2021-01-06 |
# |2021-01-07 |
# |2021-01-08 |
# +-------------+
# Now you can join to build your expected dataframe, note the join condition
(calendar_df
.join(df, on=[calendar_df.calendar_date > df.date])
.show()
)
# +-------------+----------+---+
# |calendar_date| date|qty|
# +-------------+----------+---+
# | 2021-01-02|2021-01-01| 4|
# | 2021-01-03|2021-01-01| 4|
# | 2021-01-03|2021-01-02| 1|
# | 2021-01-04|2021-01-01| 4|
# | 2021-01-04|2021-01-02| 1|
# | 2021-01-04|2021-01-03| 6|
# | 2021-01-05|2021-01-01| 4|
# | 2021-01-05|2021-01-02| 1|
# | 2021-01-05|2021-01-03| 6|
# | 2021-01-05|2021-01-04| 2|
# | 2021-01-06|2021-01-01| 4|
# | 2021-01-06|2021-01-02| 1|
# | 2021-01-06|2021-01-03| 6|
# | 2021-01-06|2021-01-04| 2|
# | 2021-01-06|2021-01-05| 2|
# | 2021-01-07|2021-01-01| 4|
# | 2021-01-07|2021-01-02| 1|
# | 2021-01-07|2021-01-03| 6|
# | 2021-01-07|2021-01-04| 2|
# | 2021-01-07|2021-01-05| 2|
# +-------------+----------+---+
# only showing top 20 rows
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.