Pyspark

Question

我有以下代码创建 windows 并在 windows 中聚合值。

df.groupBy(window("time", "30 minutes"))\
  .agg(func.countDistinct("customer_numbers")

window 列（包含时间段的列）现在是具有两个日期时间的结构。

[datetime1, datetime2].

我的数据框如下所示：

window                                       customer_numbers
[2018-02-04:10:00:00, 2018-02-04:10:30:00]          10
[2018-02-04:10:30:00, 2018-02-04:11:00:00]          15

我希望它看起来像这样

start                             End               customer_numbers
2018-02-04:10:00:00        2018-02-04:10:30:00        10
2018-02-04:10:30:00        2018-02-04:11:00:00        15

我想将其分成两列并删除原来的 window 列，但我似乎找不到执行此操作的方法。我尝试使用 UDF，但我认为在 scala 中你可以简单地做一些事情，比如获取第一个项目，我不知道如何在 pyspark 中执行此操作。我尝试添加一个 UDF，但它没有给我第一个值，而是给了我一个日历。

.withColumn("key", $"window"._1)

有谁知道我怎样才能做到这一点？

Answer 1

您可以简单地使用 select 函数作为

.select(func.col('window')[0].alias('start'), func.col('window')[1].alias('end'), func.col('customer_numbers')).drop('window')

Pyspark - 如何拆分具有 Datetime 类型结构值的列？

Pyspark - How do you split a column with Struct Values of type Datetime?

hadoop

apache-spark

apache-spark-sql

pyspark-sql