pyspark：(广播)在最近的datetimes/unix上连接两个数据集

x9ybnkn6 于 2021-05-24 发布在 Spark

关注(0)|答案(1)|浏览(558)

我正在使用pyspark，几乎要放弃我的问题了。我有两个数据集：一个非常非常非常大的数据集（集合a）和一个非常小的数据集（集合b）。它们的形式如下：

Data set A:
variable   | timestampA
---------------------------------
x          | 2015-01-01 09:29:21
y          | 2015-01-01 12:01:57

Data set B:
different information | timestampB
-------------------------------------------
info a                | 2015-01-01 09:30:00
info b                | 2015-01-01 09:30:00
info a                | 2015-01-01 12:00:00
info b                | 2015-01-01 12:00:00

a有许多行，每行都有不同的时间戳。b每隔几分钟就有一个时间戳。这里的主要问题是，在这两个数据集中没有匹配的精确时间戳。
我的目标是在最近的时间戳上加入数据集。另一个问题出现了，因为我想以一种特定的方式加入。对于a中的每个条目，我希望在复制a中的条目时Map最接近时间戳的整个信息。所以，结果应该是这样的：

Final data set
variable   | timestampA          | information     | timestampB
--------------------------------------------------------------------------
x          | 2015-01-01 09:29:21 | info a          | 2015-01-01 09:30:00
x          | 2015-01-01 09:29:21 | info b          | 2015-01-01 09:30:00
y          | 2015-01-01 12:01:57 | info a          | 2015-01-01 12:00:00
y          | 2015-01-01 12:01:57 | info b          | 2015-01-01 12:00:00

我对pyspark（也是stackoverflow）很陌生。我想我可能需要使用一个窗口函数和/或广播连接，但我真的没有点开始，并将感谢任何帮助。谢谢您！

apache-spark pyspark Join merge Broadcast

来源：https://stackoverflow.com/questions/64262400/pyspark-broadcast-joining-two-datasets-on-closest-datetimes-unix

1条答案

按热度按时间

mnowg1ta1#

你可以用 broadcast 为了避免混乱。
如果理解正确，你有时间戳 set_B 哪些是确定间隔的结果？如果是这样，您可以执行以下操作：

from pyspark.sql import functions as F

# assuming 5 minutes is your interval in set_B

interval = 'INTERVAL {} SECONDS'.format(5 * 60 / 2)

res = set_A.join(F.broadcast(set_B), (set_A['timestampA'] > (set_B['timestampB'] - F.expr(interval))) & (set_A['timestampA'] <= (set_B['timestampB'] + F.expr(interval))))

输出：

+--------+-------------------+------+-------------------+
|variable|         timestampA|  info|         timestampB|
+--------+-------------------+------+-------------------+
|       x|2015-01-01 09:29:21|info a|2015-01-01 09:30:00|
|       x|2015-01-01 09:29:21|info b|2015-01-01 09:30:00|
|       y|2015-01-01 12:01:57|info a|2015-01-01 12:00:00|
|       y|2015-01-01 12:01:57|info b|2015-01-01 12:00:00|
+--------+-------------------+------+-------------------+

如果没有确定的间隔，则只交叉连接，然后查找 min(timestampA - timestampB) 间歇可以达到目的。你可以用窗口功能和 row_number 功能如下：

w = Window.partitionBy('variable', 'info').orderBy(F.abs(F.col('timestampA').cast('int') - F.col('timestampB').cast('int')))

res = res.withColumn('rn', F.row_number().over(w)).filter('rn = 1').drop('rn')

赞(0）回复(0）举报 2021-05-25

我来回答

pyspark：(广播)在最近的datetimes/unix上连接两个数据集

1条答案

相关问题

热门标签

最新问答