在 python 中按时加入两个 spark 数据帧 (TimestampType)

Question

我有两个数据框，我想基于一列加入它们，需要注意的是这一列是时间戳，并且该时间戳必须在一定的偏移量（5 秒）内才能加入记录.更具体地说，dates_df 和 date=1/3/2015:00:00:00 中的记录应该与 events_df 和 time=1/3/2015:00:00:01 连接，因为两个时间戳彼此相差 5 秒以内。

我试图让这个逻辑与 python spark 一起工作，这非常痛苦。人们如何在 spark 中进行这样的连接？

我的方法是向 dates_df 添加两个额外的列，它们将确定 lower_timestamp 和 upper_timestamp 具有 5 秒偏移量的边界，并执行条件连接。这就是它失败的地方，更具体地说：

joined_df = dates_df.join(events_df, 
    dates_df.lower_timestamp < events_df.time < dates_df.upper_timestamp)

joined_df.explain()

仅捕获查询的最后部分：

Filter (time#6 < upper_timestamp#4)
 CartesianProduct
 ....

它给了我一个错误的结果。

我真的必须对每个不等式进行完整的笛卡尔连接，同时删除重复项吗？

完整代码如下：

from datetime import datetime, timedelta

from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext
from pyspark.sql.types import *
from pyspark.sql.functions import udf


master = 'local[*]'
app_name = 'Whosebug_join'

conf = SparkConf().setAppName(app_name).setMaster(master)
sc = SparkContext(conf=conf)

sqlContext = SQLContext(sc)

def lower_range_func(x, offset=5):
    return x - timedelta(seconds=offset)

def upper_range_func(x, offset=5):
    return x + timedelta(seconds=offset)


lower_range = udf(lower_range_func, TimestampType())
upper_range = udf(upper_range_func, TimestampType())

dates_fields = [StructField("name", StringType(), True), StructField("date", TimestampType(), True)]
dates_schema = StructType(dates_fields)

dates = [('day_%s' % x, datetime(year=2015, day=x, month=1)) for x in range(1,5)]
dates_df = sqlContext.createDataFrame(dates, dates_schema)

dates_df.show()

# extend dates_df with time ranges
dates_df = dates_df.withColumn('lower_timestamp', lower_range(dates_df['date'])).\
           withColumn('upper_timestamp', upper_range(dates_df['date']))


event_fields = [StructField("time", TimestampType(), True), StructField("event", StringType(), True)]
event_schema = StructType(event_fields)

events = [(datetime(year=2015, day=3, month=1, second=3), 'meeting')]
events_df = sqlContext.createDataFrame(events, event_schema)

events_df.show()

# finally, join the data
joined_df = dates_df.join(events_df, 
    dates_df.lower_timestamp < events_df.time < dates_df.upper_timestamp)    

joined_df.show()

我得到以下输出：

+-----+--------------------+
| name|                date|
+-----+--------------------+
|day_1|2015-01-01 00:00:...|
|day_2|2015-01-02 00:00:...|
|day_3|2015-01-03 00:00:...|
|day_4|2015-01-04 00:00:...|
+-----+--------------------+

+--------------------+-------+
|                time|  event|
+--------------------+-------+
|2015-01-03 00:00:...|meeting|
+--------------------+-------+


+-----+--------------------+--------------------+--------------------+--------------------+-------+
| name|                date|     lower_timestamp|     upper_timestamp|                time|  event|
+-----+--------------------+--------------------+--------------------+--------------------+-------+
|day_3|2015-01-03 00:00:...|2015-01-02 23:59:...|2015-01-03 00:00:...|2015-01-03 00:00:...|meeting|
|day_4|2015-01-04 00:00:...|2015-01-03 23:59:...|2015-01-04 00:00:...|2015-01-03 00:00:...|meeting|
+-----+--------------------+--------------------+--------------------+--------------------+-------+

Answer 1

我用 explain() 进行了 spark SQL 查询以查看它是如何完成的，并在 python 中复制了相同的行为。首先是如何使用 SQL spark:

dates_df.registerTempTable("dates")
events_df.registerTempTable("events")
results = sqlContext.sql("SELECT * FROM dates INNER JOIN events ON dates.lower_timestamp < events.time and  events.time < dates.upper_timestamp")
results.explain()

这行得通，但问题是如何在 python 中做到这一点，因此解决方案似乎只是一个普通的连接，然后是两个过滤器：

joined_df = dates_df.join(events_df).filter(dates_df.lower_timestamp < events_df.time).filter(events_df.time < dates_df.upper_timestamp)

joined_df.explain() 产生与 sql spark results.explain() 相同的查询，所以我假设事情是这样完成的。

Answer 2

虽然晚了一年，但也许能帮到别人..

如您所说，完整的笛卡尔积在您的情况下是疯狂的。您的匹配记录将在时间上接近（5 分钟），因此您可以利用这一点并节省大量时间，如果您首先根据时间戳将记录分组到桶中，然后加入该桶上的两个数据帧，然后才应用过滤器。使用该方法会导致 Spark 使用 SortMergeJoin 而不是 CartesianProduct，从而大大提高性能。

这里有一个小警告 - 您必须同时匹配桶和下一个桶。

最好在我的博客中通过工作代码示例进行解释（Scala + Spark 2.0，但您也可以在 python 中实现相同的...）

http://zachmoshe.com/2016/09/26/efficient-range-joins-with-spark.html

在 python 中按时加入两个 spark 数据帧 (TimestampType)

Joining two spark dataframes on time (TimestampType) in python

join

apache-spark

apache-spark-sql

pyspark