Spark 使用上一行的值将新列添加到数据框

Question

我想知道如何在 Spark (Pyspark) 中实现以下目标

初始数据帧：

+--+---+
|id|num|
+--+---+
|4 |9.0|
+--+---+
|3 |7.0|
+--+---+
|2 |3.0|
+--+---+
|1 |5.0|
+--+---+

结果数据框：

+--+---+-------+
|id|num|new_Col|
+--+---+-------+
|4 |9.0|  7.0  |
+--+---+-------+
|3 |7.0|  3.0  |
+--+---+-------+
|2 |3.0|  5.0  |
+--+---+-------+

我通常设法 "append" 数据框的新列，方法如下： df.withColumn("new_Col", df.num * 10)

但是我不知道如何为新列实现此 "shift of rows"，以便新列具有前一行字段的值（如示例所示）。我在 API 文档中也找不到任何关于如何通过索引访问 DF 中的特定行的内容。

如有任何帮助，我们将不胜感激。

Answer 1

可以使用lagwindow函数如下

from pyspark.sql.functions import lag, col
from pyspark.sql.window import Window

df = sc.parallelize([(4, 9.0), (3, 7.0), (2, 3.0), (1, 5.0)]).toDF(["id", "num"])
w = Window().partitionBy().orderBy(col("id"))
df.select("*", lag("num").over(w).alias("new_col")).na.drop().show()

## +---+---+-------+
## | id|num|new_col|
## +---+---+-------|
## |  2|3.0|    5.0|
## |  3|7.0|    3.0|
## |  4|9.0|    7.0|
## +---+---+-------+

但是有一些重要的问题：

如果你需要一个全局操作（不被其他列/列分区），它是非常低效的。
您需要一种自然的方式来订购您的数据。

虽然第二个问题几乎从来都不是问题，但第一个问题可能会破坏交易。如果是这种情况，您应该简单地将 DataFrame 转换为 RDD 并手动计算 lag 。参见示例：

Apache Spark Moving Average（用 Scala 编写，但可以针对 PySpark 进行调整。请务必先阅读评论）。

其他有用的链接：

https://github.com/UrbanInstitute/pyspark-tutorials/blob/master/05_moving-average-imputation.ipynb

Answer 2

   val df = sc.parallelize(Seq((4, 9.0), (3, 7.0), (2, 3.0), (1, 5.0))).toDF("id", "num")
df.show
+---+---+
| id|num|
+---+---+
|  4|9.0|
|  3|7.0|
|  2|3.0|
|  1|5.0|
+---+---+
df.withColumn("new_column", lag("num", 1, 0).over(w)).show
+---+---+----------+
| id|num|new_column|
+---+---+----------+
|  1|5.0|       0.0|
|  2|3.0|       5.0|
|  3|7.0|       3.0|
|  4|9.0|       7.0|
+---+---+----------+

Spark 使用上一行的值将新列添加到数据框

Spark add new column to dataframe with value from previous row

python

dataframe

apache-spark

apache-spark-sql

pyspark