Spark - 使用 groupBy 减少组合数量

Question

假设我有以下形式的数据集：

data = sc.parallelize([('customer_1', 'contract_1', 15000, 100), 
                       ('customer_1', 'contract_1', 20000, 200),
                       ('customer_2', 'contract_2', 30000, 100), 
                       ('customer_1', 'contract_1', 7500, 500)], 2)

其中：

第一列代表客户 ID。
第二列代表合约编号。
第三列代表时间戳。
第四列是合同价值。

我需要做的是添加一个额外的列，对于每一行，包含具有相同客户 ID、相同合同 ID 且时间戳等于或大于时间戳的所有行的合同价值总和当前行。

所以，对于之前的数据集，结果应该是：

customer_1 contract_1 15000 300  # 300 = 100+200
customer_1 contract_1 20000 200  # 200
customer_2 contract_2 30000 100  # 100
customer_1 contract_1  7500 800  # 800 = 100+200+500

如果没有时间戳检查，可以设置一个由客户 ID 和合同 ID 组成的密钥，按密钥减少，然后进行连接，但如果有时间戳比较，我找不到简单的方法这样做的方式。

我完成这项工作的第一种方法是以这种方式使用笛卡尔运算：

combinations = data.cartesian(data)
               .filter(lambda a: a[0][0] == a[1][0] and  
                                 a[0][1] == a[1][1] and 
                                 a[1][2] >= a[0][2])
agg = combinations.map(lambda a: (a[0], a[1][3])).reduceByKey(lambda x,y: x+y)

结果还可以，但恐怕对我管理的数据量（超过 100 万行）应用笛卡尔坐标效率很低。事实上，在这里应用笛卡尔运算会产生很多根本没有意义的组合（根据定义，组合不同客户或合同的行是没有意义的），这些组合后来被过滤器删除。

我的理想情况是使用客户 ID 和合同 ID 作为键执行 groupBy，然后遍历结果 groupBy，并对每一行应用笛卡尔积。这将大大减少生成的组合数量。但是，我没有找到任何方法来做到这一点。更何况，这可能吗？如果是这样，如何？关于如何实现我的要求，您还有其他 recommendation/idea 吗？

感谢您的帮助！

Answer 1

这是一个要求 window 函数的问题：

import sys
from pyspark.sql.window import Window
from pyspark.sql.functions import sum

df = data.toDF(["customer_id", "contract_id", "timestamp", "value"])
w = (Window()
    .partitionBy("customer_id", "contract_id")
    .orderBy("timestamp")
    # Current row and future values
    .rangeBetween(0, sys.maxsize)) # or .rowsBetween(0, sys.maxsize)

result = df.withColumn("future_value", sum("value").over(w))
result.show()

## +-----------+-----------+---------+-----+------------+
## |customer_id|contract_id|timestamp|value|future_value|
## +-----------+-----------+---------+-----+------------+
## | customer_1| contract_1|     7500|  500|         800|
## | customer_1| contract_1|    15000|  100|         300|
## | customer_1| contract_1|    20000|  200|         200|
## | customer_2| contract_2|    30000|  100|         100|
## +-----------+-----------+---------+-----+------------+

Spark - 使用 groupBy 减少组合数量

Spark - Reducing number of combinations using a groupBy

python

mapreduce

apache-spark

pyspark