Spark Dataframe - 窗口函数 - 插入和更新输出的滞后和超前

Question

我需要使用窗口函数 Lag 和 Lead 对数据帧执行以下操作。

对于每个Key，我需要在最终输出中执行以下插入和更新

插入条件：
1. 默认情况下， LAYER_NO=0 ，需要在输出中写入。
2.如果COL1,COL2,COL3的值有任何变化，相对于它的珍贵记录，则需要在输出中写入该记录。

示例：key_1 且 layer_no=2，COL3

中的值从 400 变为 600

更新条件：
1. 如果 COL1,COL2,COL3 的值相对于其之前的记录没有变化，但 "DEPART column" 有变化，则需要在输出中更新此值。

示例：key_1 与 layer_no=3，COL1、COL2、COL3 没有变化，但 DEPART 列中的值发生变化为 "xyz"，所以这需要将在输出中更新。
2. 即使是 LAYER_NO 也应该顺序更新，在插入 layer_no=0

的记录后

    val inputDF = values.toDF("KEY","LAYER_NO","COl1","COl2","COl3","DEPART")

    inputDF.show()   
    +-----+--------+----+----+----+------+
    |  KEY|LAYER_NO|COL1|COL2|COL3|DEPART|
    +-----+--------+----+----+----+------+
    |key_1|       0| 200| 300| 400|   abc|->default write
    |key_1|       1| 200| 300| 400|   abc|
    |key_1|       2| 200| 300| 600|   uil|--->change in col3,so write
    |key_1|       2| 200| 300| 600|   uil|
    |key_1|       3| 200| 300| 600|   xyz|--->change in col4,so update
    |key_2|       0| 500| 700| 900|   prq|->default write
    |key_2|       1| 888| 555| 900|   tep|--->change in col1 & col 2,so write
    |key_3|       0| 111| 222| 333|   lgh|->default write
    |key_3|       1| 084| 222| 333|   lgh|--->change in col1,so write
    |key_3|       2| 084| 222| 333|   rrr|--->change in col4,so update
    +-----+--------+----+----+----+------+

预期输出：

outputDF.show()
+-----+--------+----+----+----+------+
|  KEY|LAYER_NO|COl1|COl2|COl3|DEPART|
+-----+--------+----+----+----+------+
|key_1|       0| 200| 300| 400|   abc|
|key_1|       1| 200| 300| 600|   xyz|
|key_2|       0| 500| 700| 900|   prq|
|key_2|       1| 888| 555| 900|   tep|
|key_3|       0| 111| 222| 333|   lgh|
|key_3|       1| 084| 222| 333|   rrr|
+-----+--------+----+----+----+------+

Answer 1

我们需要定义两个 Window 才能达到您的预期输出。一个用于检查 DEPART 列中的变化，第二个用于检查 COL1 与 COL3.

之和的差异

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window

val w_col = Window.partitionBy("KEY", "COL1", "COL2", "COL3").orderBy("LAYER_NO")
                  .rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)
val w_key = Window.partitionBy("KEY").orderBy("LAYER_NO")

然后我们只需用正确的值替换 DEPART 列中的值，并将数据过滤到滞后总和与当前列总和不同的行（以及 LAYER_NO === 0 的行） .最后，我们用排名替换 LAYER_NO。

inputDF.withColumn("DEPART", last("DEPART").over(w_col))
   .withColumn("row_sum",($"COL1" + $"COL2" + $"COL3"))
   .withColumn("lag_sum", lag($"row_sum",1).over(w_key))
   .filter($"LAYER_NO" === 0 || not($"row_sum" === $"lag_sum"))
   .withColumn("LAYER_NO", rank.over(w_key)-1)
   .drop("row_sum", "lag_sum").show()
+-----+--------+----+----+----+------+
|  KEY|LAYER_NO|COl1|COl2|COl3|DEPART|
+-----+--------+----+----+----+------+
|key_1|       0| 200| 300| 400|   abc|
|key_1|       1| 200| 300| 600|   xyz|
|key_2|       0| 500| 700| 900|   prq|
|key_2|       1| 888| 555| 900|   tep|
|key_3|       0| 111| 222| 333|   lgh|
|key_3|       1| 084| 222| 333|   rrr|
+-----+--------+----+----+----+------+

Spark Dataframe - 窗口函数 - 插入和更新输出的滞后和超前

Spark Dataframe - Windowing Function - Lag & Lead for Insert & Update output

scala

apache-spark

apache-spark-sql

pyspark

spark-dataframe