使用最接近的時間戳連接兩個數據幀 pyspark

Question

所以我對 pyspark 很陌生，但我仍然無法正確創建自己的查詢。 我嘗試用谷歌搜索我的問題，但我只是不明白其中大部分是如何工作的。 我不確定我錯過了什么。

但無論如何我有以下兩個數據幀，spark_p：

+--------------------+-----+--------------------+
|__record_timestamp__|cycle|            profiles|
+--------------------+-----+--------------------+
| 1651737406300000000|    0|[0, 1, 1, 1, 3, 1...|
| 1651737406300000000|   16|[0, 0, 1, 0, 0, 0...|
| 1651737406300000000|   17|[1, 1, 1, 1, 0, 0...|
| 1651737406300000000|   18|[0, 0, 0, 0, 0, 1...|
| 1651737406300000000|   19|[1, 1, 1, 0, 0, 0...|
+--------------------+-----+--------------------+

和 spark_m：

+-------------+--------------------+
|      current|__record_timestamp__|
+-------------+--------------------+
|  0.007181627| 1651730407500000000|
| 8.3004625E-4| 1651730464000000000|
|   0.41976404| 1651730507000000000|
|-0.0017322368| 1651732761000000000|
|-2.5260705E-4| 1651732822500000000|
| 2.3460487E-4| 1651732824500000000|
+-------------+--------------------+

我需要向 spark_p 添加一列，其中包含該特定時間戳處的電流。

所以結果看起來像：

+--------------------+-----+--------------------+---------+
|__record_timestamp__|cycle|            profiles|  current|
+--------------------+-----+--------------------+---------+
| 1651737406300000000|    0|[0, 1, 1, 1, 3, 1...|     0.07|
| 1651737406300000000|   16|[0, 0, 1, 0, 0, 0...|       12|
| 1651737406300000000|   17|[1, 1, 1, 1, 0, 0...|      0.0|
| 1651737406300000000|   18|[0, 0, 0, 0, 0, 1...| 5.235654|
| 1651737406300000000|   19|[1, 1, 1, 0, 0, 0...|      125|
+--------------------+-----+--------------------+---------+

現在時間戳不會完全匹配，但我只需要最接近的時間戳，或者使用先前記錄的電流值，兩者都可以。 我不知道怎么...

當我嘗試時：

spark_p.join(spark_m, spark_p.__record_timestamp__ ==  spark_m.__record_timestamp__, "inner").show()

我只是得到：

+--------------------+-----+--------+-----+--------------------+
|__record_timestamp__|cycle|profiles|value|__record_timestamp__|
+--------------------+-----+--------+-----+--------------------+
+--------------------+-----+--------+-----+--------------------+

所以我猜它們都不完全匹配，但我怎么才能獲取最接近的值呢？ TIA

Answer 1

此解決方案包含答案：

SPLIT_COUNT = 90
SPLIT_SIZE = 1024

spark_p = data.select("profiles", '__record_timestamp__')
spark_p = spark_p.withColumn("profiles", F.col("profiles").getField("elements") )

slices = [F.slice(F.col('profiles'), i * SPLIT_SIZE + 1, SPLIT_SIZE) for i in range(SPLIT_COUNT)]

spark_p = spark_p.select(F.posexplode(F.array(*slices)), F.col('__record_timestamp__'))
spark_p = spark_p.withColumn("cycle", F.col("pos") )
spark_p = spark_p.withColumn("profiles", F.col("col") )
spark_p = spark_p.drop('pos').drop('col')

spark_m = magnetData.select("value", '__record_timestamp__', )


spark_p = spark_p.withColumn('value', F.lit(None))


spark_m = spark_m.withColumn('profiles', F.lit(None))
spark_m = spark_m.withColumn('cycle', F.lit(None))


final_df = spark_p.unionByName(spark_m)

w = Window.orderBy('__record_timestamp__').rowsBetween(Window.unboundedPreceding, -1)

final_df = final_df.withColumn('value', F.last('value', True).over(w)).filter(~F.isnull('profiles'))

您必須使用 unboundedPreceding 參數創建一個 window。