[英]PySpark: how to get all combinations of columns
我有一個包含批次、輸入和輸出組合的 DF,我希望能夠將它們的“獨特組合”添加回 DataFrame。 數據的簡單表示如下所示:
批 | 輸出 | 輸入 |
---|---|---|
1 | 一個 | X |
1 | 一個 | 是 |
1 | 一個 | Z |
2 | 一個 | X |
2 | 一個 | 是 |
2 | 一個 | Z |
3 | 一個 | 五 |
3 | 一個 | 是 |
3 | 一個 | Z |
4 | 一個 | W |
4 | 一個 | 是 |
4 | 一個 | Z |
所以你可以看到有 4 個批次和 3 種不同的輸入組合來產生相同的輸出類型,我想最終得到的是:
批 | 輸出 | 輸入 | 組合 |
---|---|---|---|
1 | 一個 | X | 1 |
1 | 一個 | 是 | 1 |
1 | 一個 | Z | 1 |
2 | 一個 | X | 1 |
2 | 一個 | 是 | 1 |
2 | 一個 | Z | 1 |
3 | 一個 | 五 | 2 |
3 | 一個 | 是 | 2 |
3 | 一個 | Z | 2 |
4 | 一個 | W | 3 |
4 | 一個 | 是 | 3 |
4 | 一個 | Z | 3 |
我希望在 PySpark 中實現這一點以進行進一步的數據操作,任何指導將不勝感激:)
編輯:仍然不優雅,但它在 PySpark 中有效! 我確信必須有一種更簡單的方法來使用集合或字典來做到這一點,我的大腦只是拒絕讓我看到它......
df = spark.createDataFrame(
[
(1,'A','X'),
(1,'A','Y'),
(1,'A','Z'),
(2,'A','X'),
(2,'A','Y'),
(2,'A','Z'),
(3,'A','V'),
(3,'A','Y'),
(3,'A','Z'),
(4,'A','W'),
(4,'A','Y'),
(4,'A','Z'),
(5,'B','X'),
(5,'B','Y'),
(5,'B','Z')
],
["Batch", "Output", "Input"]
)
grouped = df.orderBy("Input").groupBy(["Batch", "Output"]).agg(f.concat_ws('_', f.sort_array(f.collect_list("Input"))).alias("Comb"))
grouped = grouped.withColumn("TotalComb", f.concat_ws('_',grouped.Output, grouped.Comb))
w = Window.partitionBy().orderBy(f.col('TotalComb').asc())
groupunique = grouped[["totalComb"]].distinct().withColumn("UniqueComb", f.row_number().over(w))
connected = df.join(grouped, on = ["Batch", "Output"], how = "left").join(groupunique, on = ["totalComb"], how = "left")
創建一個輸入列表,按該列表分類,找到連續的差異並使用它們創建值以對整個 df 進行累積求和
w=Window.partitionBy("Batch","Output").orderBy("Batch")
df1=(df.withColumn('Combination',collect_set("Input").over(w))
.withColumn('Combination',sum(when(lag('Output').over(Window.partitionBy("Combination",'Output').orderBy("Batch")).isNull(),1)
.otherwise(0)).over(Window.partitionBy().orderBy('Batch')))).show()
+-----+------+-----+-----------+
|Batch|Output|Input|Combination|
+-----+------+-----+-----------+
| 1| A| X| 1|
| 1| A| Y| 1|
| 1| A| Z| 1|
| 2| A| X| 1|
| 2| A| Y| 1|
| 2| A| Z| 1|
| 3| A| V| 2|
| 3| A| Y| 2|
| 3| A| Z| 2|
| 4| A| W| 3|
| 4| A| Y| 3|
| 4| A| Z| 3|
| 5| B| X| 4|
| 5| B| Y| 4|
| 5| B| Z| 4|
+-----+------+-----+-----------+
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.