如何在pyspark中使用collect\u list在窗口上创建嵌套列表?

moiiocjp  于 2021-07-09  发布在  Spark
关注(0)|答案(1)|浏览(275)

我有一个我用的Spark collect_list 以及 PartitionBy 提取与一组列关联的值的列表。因此,对于分组列,我现在有了一个新列,其中包含与group关联的元素列表。但是,我希望这个列表被进一步细分,以便它包含嵌套列表。同样重要的是,这些列的顺序是按日期排序的。见下表:

data = [
    ["ABC", 1, 3, "2020-04-01", "product_one"],
    ["ABC", 1, 3, "2020-04-01", "product_two"],
    ["ABC", 1, 3, "2020-04-12", "product_one"],
    ["ABC", 1, 3, "2020-04-12", "product_two"],
]

df = pd.DataFrame(data, columns=["ID", "Ref_No", "Number", "Date", "Product"])
sdf = spark.createDataFrame(df)

w = Window.partitionBy("ID", "Ref_No", "Number").orderBy("Date")

grouped_sdf = (
    sdf.withColumn(
        "Products",
        spark_fns.collect_list("Product").over(w),
    )
    .withColumn(
        "Dates",
        spark_fns.collect_set("Date").over(w),
    )
    .groupby("ID", "Ref_No", "Number")
    .agg(
        spark_fns.max("Products").alias("Products"),
        spark_fns.max("Dates").alias("Dates"),
    )
)
ID  Ref_No Number Products         Dates
ABC   1      3    [product_one,   [2020-04-01,
                   product_two,    2020-04-12]
                   product_one,    
                   product_two]

我想要这一栏的清单 Products 实际上也包含与每个计时相关联的列表。所以期望的输出是:
所以我们知道第一个列表(在列表中)与第一个日期相关联,然后列表中的第二个列表与第二个日期相关联。

ID  Ref_No Number Products         Dates
ABC   1      3    [[product_one,   [2020-04-01,
                   product_two],    2020-04-12]
                   [product_one,    
                   product_two]]
0yycz8jy

0yycz8jy1#

您可以执行两个分组方式和收集列表:

import pyspark.sql.functions as F

result = sdf.groupBy(sdf.columns[:4]).agg(
    F.collect_list('Product').alias('Product')
).groupBy(sdf.columns[:3]).agg(
    F.expr('transform(sort_array(collect_list(struct(Date, Product))), x -> x.Product) as Product'), 
    F.sort_array(F.collect_list('Date')).alias('Date')
)

result.show(20,0)
+---+------+------+--------------------------------------------------------+------------------------+
|ID |Ref_No|Number|Product                                                 |Date                    |
+---+------+------+--------------------------------------------------------+------------------------+
|ABC|1     |3     |[[product_one, product_two], [product_one, product_two]]|[2020-04-01, 2020-04-12]|
+---+------+------+--------------------------------------------------------+------------------------+

相关问题