Spark Window 函数 - rangeBetween 日期

Question

我有一个带有数据的 Spark SQL DataFrame，我想要获取的是给定日期范围内当前行之前的所有行。因此，例如，我想要从给定行之前的 7 天开始的所有行。我发现我需要使用 Window Function，例如：

Window \
    .partitionBy('id') \
    .orderBy('start')

问题来了。我想要 rangeBetween 7 天，但我在 Spark 文档中找不到任何相关内容。 Spark 甚至提供这样的选项吗？现在我只是得到所有前面的行：

.rowsBetween(-sys.maxsize, 0)

但想实现类似的目标：

.rangeBetween("7 days", 0)

如果有人能在这方面帮助我，我将不胜感激。提前致谢！

Answer 1

火花 >= 2.3

从 Spark 2.3 开始，可以使用 SQL API 来使用区间对象，但是 DataFrame API 支持 still work in progress.

df.createOrReplaceTempView("df")

spark.sql(
    """SELECT *, mean(some_value) OVER (
        PARTITION BY id 
        ORDER BY CAST(start AS timestamp) 
        RANGE BETWEEN INTERVAL 7 DAYS PRECEDING AND CURRENT ROW
     ) AS mean FROM df""").show()

## +---+----------+----------+------------------+       
## | id|     start|some_value|              mean|
## +---+----------+----------+------------------+
## |  1|2015-01-01|      20.0|              20.0|
## |  1|2015-01-06|      10.0|              15.0|
## |  1|2015-01-07|      25.0|18.333333333333332|
## |  1|2015-01-12|      30.0|21.666666666666668|
## |  2|2015-01-01|       5.0|               5.0|
## |  2|2015-01-03|      30.0|              17.5|
## |  2|2015-02-01|      20.0|              20.0|
## +---+----------+----------+------------------+

Spark < 2.3

据我所知，无论是在 Spark 还是 Hive 中都不可能直接实现。两者都要求与 RANGE 一起使用的 ORDER BY 子句是数字。我发现最接近的是转换为时间戳并按秒操作。假设 start 列包含 date 类型：

from pyspark.sql import Row

row = Row("id", "start", "some_value")
df = sc.parallelize([
    row(1, "2015-01-01", 20.0),
    row(1, "2015-01-06", 10.0),
    row(1, "2015-01-07", 25.0),
    row(1, "2015-01-12", 30.0),
    row(2, "2015-01-01", 5.0),
    row(2, "2015-01-03", 30.0),
    row(2, "2015-02-01", 20.0)
]).toDF().withColumn("start", col("start").cast("date"))

一个小帮手和window定义：

from pyspark.sql.window import Window
from pyspark.sql.functions import mean, col


# Hive timestamp is interpreted as UNIX timestamp in seconds*
days = lambda i: i * 86400

最后查询：

w = (Window()
   .partitionBy(col("id"))
   .orderBy(col("start").cast("timestamp").cast("long"))
   .rangeBetween(-days(7), 0))

df.select(col("*"), mean("some_value").over(w).alias("mean")).show()

## +---+----------+----------+------------------+
## | id|     start|some_value|              mean|
## +---+----------+----------+------------------+
## |  1|2015-01-01|      20.0|              20.0|
## |  1|2015-01-06|      10.0|              15.0|
## |  1|2015-01-07|      25.0|18.333333333333332|
## |  1|2015-01-12|      30.0|21.666666666666668|
## |  2|2015-01-01|       5.0|               5.0|
## |  2|2015-01-03|      30.0|              17.5|
## |  2|2015-02-01|      20.0|              20.0|
## +---+----------+----------+------------------+

远非漂亮，但有效。

* Hive Language Manual, Types

Answer 2

很棒的解决方案@zero323，如果你想像我那样用分钟而不是天来操作，而且你不需要用 id 进行分区，所以你只需要如我所示修改代码的一部分：

df.createOrReplaceTempView("df")
spark.sql(
    """SELECT *, sum(total) OVER (
        ORDER BY CAST(reading_date AS timestamp) 
        RANGE BETWEEN INTERVAL 45 minutes PRECEDING AND CURRENT ROW
     ) AS sum_total FROM df""").show()

Spark Window 函数 - rangeBetween 日期

Spark Window Functions - rangeBetween dates

sql

window-functions

apache-spark

apache-spark-sql

pyspark