SparkSQL：使用两列的条件和

Question

我希望你能帮我解决这个问题。我有一个DF如下：

val df = sc.parallelize(Seq(
  (1, "a", "2014-12-01", "2015-01-01", 100), 
  (2, "a", "2014-12-01", "2015-01-02", 150),
  (3, "a", "2014-12-01", "2015-01-03", 120), 
  (4, "b", "2015-12-15", "2015-01-01", 100)
)).toDF("id", "prodId", "dateIns", "dateTrans", "value")
.withColumn("dateIns", to_date($"dateIns")
.withColumn("dateTrans", to_date($"dateTrans"))

我很想做一个 groupBy prodId 并汇总 'value' 对由列 'dateIns' 和 'dateTrans' 之间的差异定义的日期范围求和。特别是，我希望有一种方法来定义一个条件和，该条件和将上述列之间预定义的最大差异范围内的所有值相加。 IE。从 dateIns ('dateTrans' - 'dateIns' <=10, 20, 30) 起 10、20、30 天之间发生的所有值。

spark 中是否有任何预定义的聚合函数可以进行条件求和？你建议开发一个aggr。 UDF（如果是这样，有什么建议）？我正在使用 pySpqrk，但也很高兴获得 Scala 解决方案。非常感谢！

Answer 1

让你变得更有趣一点，所以 window 中有一些事件：

val df = sc.parallelize(Seq(
  (1, "a", "2014-12-30", "2015-01-01", 100), 
  (2, "a", "2014-12-21", "2015-01-02", 150),
  (3, "a", "2014-12-10", "2015-01-03", 120), 
  (4, "b", "2014-12-05", "2015-01-01", 100)
)).toDF("id", "prodId", "dateIns", "dateTrans", "value")
.withColumn("dateIns", to_date($"dateIns"))
.withColumn("dateTrans", to_date($"dateTrans"))

你需要的大概是这样的：

import org.apache.spark.sql.functions.{col, datediff, lit, sum}

// Find difference in tens of days 
val diff = (datediff(col("dateTrans"), col("dateIns")) / 10)
  .cast("integer") * 10

val dfWithDiff = df.withColumn("diff", diff)

val aggregated = dfWithDiff 
  .where((col("diff") < 30) && (col("diff") >= 0))
  .groupBy(col("prodId"), col("diff"))
  .agg(sum(col("value")))

结果

aggregated.show
// +------+----+----------+
// |prodId|diff|sum(value)|
// +------+----+----------+
// |     a|  20|       120|
// |     b|  20|       100|
// |     a|   0|       100|
// |     a|  10|       150|
// +------+----+----------+

其中 diff 是范围 (0 -> [0, 10), 10 -> [10, 20), ...) 的下限。如果您删除 val 并调整导入，这也适用于 PySpark。

编辑（每列汇总）：

val exprs = Seq(0, 10,  20).map(x => sum(
  when(col("diff") === lit(x), col("value"))
    .otherwise(lit(0)))
    .alias(x.toString))

dfWithDiff.groupBy(col("prodId")).agg(exprs.head, exprs.tail: _*).show

// +------+---+---+---+
// |prodId|  0| 10| 20|
// +------+---+---+---+
// |     a|100|150|120|
// |     b|  0|  0|100|
// +------+---+---+---+

相当于Python：

from pyspark.sql.functions import *

def make_col(x):
   cnd = when(col("diff") == lit(x), col("value")).otherwise(lit(0))
   return sum(cnd).alias(str(x))

exprs = [make_col(x) for x in range(0, 30, 10)]
dfWithDiff.groupBy(col("prodId")).agg(*exprs).show()   

## +------+---+---+---+
## |prodId|  0| 10| 20|
## +------+---+---+---+
## |     a|100|150|120|
## |     b|  0|  0|100|
## +------+---+---+---+

SparkSQL：使用两列的条件和

SparkSQL: conditional sum using two columns

sql

aggregate-functions

apache-spark

apache-spark-sql

pyspark