pyspark 使用 window 函数

Question

我有一个数据框，其中包含表示用户对特定电影的评级实例的行。每部电影可以由多个用户在多个类别中进行评分。这是我使用 movie_lens 数据创建的结果数据框。

|movie_id|year|categories|
+--------+----+----------+
|     122|1990|    Comedy|
|     122|1990|   Romance|
|     185|1990|    Action|
|     185|1990|     Crime|
|     185|1990|  Thriller|
|     231|1990|    Comedy|
|     292|1990|    Action|
|     292|1990|     Drama|
|     292|1990|    Sci-Fi|
|     292|1990|  Thriller|
|     316|1990|    Action|
|     316|1990| Adventure|
|     316|1990|    Sci-Fi|
|     329|1990|    Action|
|     329|1990| Adventure|
|     329|1990|     Drama|
.
.
.

movie_id是电影的唯一id，year是用户评价电影的年份，category是电影的12个类别之一。部分文件 here

我想在每个类别中的每个十年中找到评分最高的电影（计算每个类别中每个十年中每部电影的频率）

类似于

+-----------------------------------+
| year | category | movie_id | rank |
+-----------------------------------+
| 1990 | Comedy   | 1273     | 1    |
| 1990 | Comedy   | 6547     | 2    |
| 1990 | Comedy   | 8973     | 3    |
.
.
| 1990 | Comedy   | 7483     | 10   |
.
.
| 1990 | Drama    | 1273     | 1    |
| 1990 | Drama    | 6547     | 2    |
| 1990 | Drama    | 8973     | 3    |
.
.
| 1990 | Comedy   | 7483     | 10   |  
.
.
| 2000 | Comedy   | 1273     | 1    |
| 2000 | Comedy   | 6547     | 2    |
.
.

for every decade, top 10 movies in each category

我了解需要使用 pyspark window 函数。这是我试过的

windowSpec = Window.partitionBy(res_agg['year']).orderBy(res_agg['categories'].desc())

final = res_agg.select(res_agg['year'], res_agg['movie_id'], res_agg['categories']).withColumn('rank', func.rank().over(windowSpec))

但它 returns 如下所示：

+----+--------+------------------+----+
|year|movie_id|        categories|rank|
+----+--------+------------------+----+
|2000|    8606|(no genres listed)|   1|
|2000|    1587|            Action|   1|
|2000|    1518|            Action|   1|
|2000|    2582|            Action|   1|
|2000|    5460|            Action|   1|
|2000|   27611|            Action|   1|
|2000|   48304|            Action|   1|
|2000|   54995|            Action|   1|
|2000|    4629|            Action|   1|
|2000|   26606|            Action|   1|
|2000|   56775|            Action|   1|
|2000|   62008|            Action|   1|

我是 pyspark 的新手，被困在这里。谁能指导我我做错了什么。

Answer 1

没错，您需要使用 window，但首先，您需要执行第一次聚合来计算频率。

首先，让我们计算十年。

df_decade = df.withColumn("decade", concat(substring(col("year"), 0, 3), lit("0")))

然后我们按十年、类别和movie_id计算频率：

agg_df = df_decade\
      .groupBy("decade", "category", "movie_id")\
      .agg(count(col("*")).alias("freq"))

最后，我们定义了一个 window 按十年和类别划分的 select 使用排名函数的前 10 名：

w = Window.partitionBy("decade", "category").orderBy(desc("freq"))
top10 = agg_df.withColumn("r", rank().over(w)).where(col("r") <= 10)

pyspark 使用 window 函数

pyspark using window function

python

apache-spark

pyspark

pyspark-sql