小能豆

是否可以在pyspark中编写自引用列

python

我正在写一个小poc,试图将用python编写的一段逻辑重写到pyspark,其中我一一处理存储在sqlite中的日志:

logs = [...]
processed_logs = []
previous_log = EmptyDecoratedLog() #empty
for log in logs:
    processed_log = with_outlet_value_closed(log, previous_log)
    previous_log = processed_log 
    processed_logs.append(processed_log)

def with_outlet_value_closed(current_entry: DecoratedLog, previous_entry: DecoratedLog):
    if current_entry.sourceName == "GS2":
        self.outletValveClosed = current_entry.eventData
    else:
        self.outletValveClosed = previous_entry.outletValveClosed

我想在 pyspark api 中表示为:

import pyspark.sql.functions as f
window = W.orderBy("ID") #where ID is unique id on those logs
df.withColumn("testValveOpened",
                f.when((f.col("sourceName") == "GS2"), f.col("eventData"))
                .otherwise(f.lag("testValveOpened").over(window)),
                )

但这会导致 AnalysisException: [UNRESOLVED_COLUMN.WITH_SUGGESTION]outletValveClosed无法解析具有名称的列或函数参数。

所以我的问题是:是否可以表示这样的代码,其中当前行的值取决于同一列的前一行(我知道这将导致所有记录在单个线程上处理,但这很好)

我尝试添加列的初始化

df = df.withColumn("testValveOpened", f.lit(0))
df.withColumn("testValveOpened",
                f.when((f.col("sourceName") == "GS2"), f.col("eventData"))
                .otherwise(f.lag("testValveOpened").over(window)),
                )

但后来我得到了

ID |sourceName|eventData|testValveOpened
1  |GS3       |1        |0
2  |GS2       |1        |1
3  |GS2       |1        |1
4  |GS1       |1        |0
5  |GS1       |1        |0
6  |ABC       |0        |0
7  |B123      |0        |0
8  |B423      |0        |0
9  |PTSD      |168      |0
10 |XCD       |0        |0

我想得到

ID |sourceName|eventData|testValveOpened
1  |GS3       |1        |0
2  |GS2       |1        |1
3  |GS2       |1        |1
4  |GS1       |1        |1
5  |GS1       |1        |1
6  |ABC       |0        |1
7  |B123      |0        |1
8  |B423      |0        |1
9  |PTSD      |168      |1
10 |XCD       |0        |1  

因此,当有 GS2 时,取 eventData 的值,否则取之前 testValueOpened 中的 cary 值


阅读 259

收藏
2024-02-23

共1个答案

小能豆

在PySpark中,您可以使用lag()函数来访问同一列的前一行值,并且在DataFrame的转换过程中实现类似于您描述的逻辑。但是,PySpark中的DataFrame API不直接支持在同一列上迭代地进行转换。不过,您可以通过使用窗口函数结合lag()函数来模拟这种行为。

下面是一个示例代码,演示了如何在PySpark中实现您的逻辑:

from pyspark.sql import SparkSession
from pyspark.sql import Window
import pyspark.sql.functions as F

# 创建 SparkSession
spark = SparkSession.builder \
    .appName("PySpark Example") \
    .getOrCreate()

# 模拟日志数据
data = [
    (1, "GS3", 1),
    (2, "GS2", 1),
    (3, "GS2", 1),
    (4, "GS1", 1),
    (5, "GS1", 1),
    (6, "ABC", 0),
    (7, "B123", 0),
    (8, "B423", 0),
    (9, "PTSD", 168),
    (10, "XCD", 0)
]

# 创建DataFrame
df = spark.createDataFrame(data, ["ID", "sourceName", "eventData"])

# 定义窗口规范
windowSpec = Window.orderBy("ID")

# 使用lag函数和窗口规范来模拟迭代地处理同一列的逻辑
processed_df = df.withColumn("testValveOpened",
                             F.when((F.col("sourceName") == "GS2"), F.col("eventData"))
                             .otherwise(F.lag("testValveOpened").over(windowSpec))
                             .otherwise(F.lit(0))  # 设置默认值
                             )

# 显示结果
processed_df.show()

在这个示例中,我们首先创建了一个SparkSession,并模拟了日志数据。然后,我们创建了一个窗口规范,并使用lag()函数结合窗口规范来模拟迭代地处理同一列的逻辑。最后,我们将结果DataFrame显示出来。

请注意,如果想在同一列上迭代地进行转换,可能需要使用递归或者其他方法,但这样会比较复杂。上面给出的方法是一个简单的解决方案,可能并不是在所有情况下都适用。您需要根据具体的情况进行调整和优化。

2024-02-23