按 Pyspark 数据框分组和过滤

Question

我有一个 3 列的 PySpark 数据框架。有些行在 2 列中相似，但在第三列中不相似，请参见下面的示例。

----------------------------------------

first_name | last_name | requests_ID    |

----------------------------------------

Joe        | Smith     |[2,3]           |

---------------------------------------- 

Joe        | Smith     |[2,3,5,6]       |

---------------------------------------- 

Jim        | Bush      |[9,7]           |

---------------------------------------- 

Jim        | Bush      |[21]            |

---------------------------------------- 

Sarah      | Wood      |[2,3]           |

----------------------------------------   

我想根据 {first_name, last_name} 列对行进行分组，并且只有 {requests_ID} 数量最多的行。所以结果应该是：

----------------------------------------

first_name | last_name | requests_ID    |

----------------------------------------

Joe        | Smith     |[2,3,5,6]       |

---------------------------------------- 

Jim        | Bush      |[9,7]           |

---------------------------------------- 

Sarah      | Wood      |[2,3]           |

---------------------------------------- 

我尝试了以下不同的事情，但它为我提供了 group-by 中两行的嵌套数组，而不是最长的。

gr_df = filtered_df.groupBy("first_name", "last_name").agg(F.collect_set("requests_ID").alias("requests_ID")) 

这是我得到的结果：

----------------------------------------

first_name | last_name | requests_ID    |

----------------------------------------

Joe        | Smith     |[[9,7],[2,3,5,6]]|

---------------------------------------- 

Jim        | Bush      |[[9,7],[21]]    |

---------------------------------------- 

Sarah      | Wood      |[2,3]           |

---------------------------------------- 

Answer 1

您可以使用size来确定数组列的长度和如下用途window：导入并创建示例 DataFrameimport pyspark.sql.functions as ffrom pyspark.sql.window import Windowdf = spark.createDataFrame([('Joe','Smith',[2,3]),('Joe','Smith',[2,3,5,6]),('Jim','Bush',[9,7]),('Jim','Bush',[21]),('Sarah','Wood',[2,3])], ('first_name','last_name','requests_ID'))定义窗口以requests_ID根据列的长度以降序获取列的行号。在这里，f.size("requests_ID")将给出requests_ID列的长度并按desc()降序对其进行排序。w_spec = Window().partitionBy("first_name", "last_name").orderBy(f.size("requests_ID").desc())应用窗口函数并获取第一行。df.withColumn("rn", f.row_number().over(w_spec)).where("rn ==1").drop("rn").show()+----------+---------+------------+|first_name|last_name| requests_ID|+----------+---------+------------+|       Jim|     Bush|      [9, 7]||     Sarah|     Wood|      [2, 3]||       Joe|    Smith|[2, 3, 5, 6]|+----------+---------+------------+

Answer 2

要完成您当前的 df 看起来像这样，----------------------------------------first_name | last_name | requests_ID    |----------------------------------------Joe        | Smith     |[[9,7],[2,3,5,6]]|---------------------------------------- Jim        | Bush      |[[9,7],[21]]    |---------------------------------------- Sarah      | Wood      |[2,3]           |---------------------------------------- 尝试这个，import pyspark.sql.functions as Ffrom pyspark.sql.types import IntegerType, ArrayTypedef myfunc(x):  temp = []  for _ in x:    temp.append(len(x))  max_ind = temp.index(max(temp))  return x[max_ind]udf_extract = F.udf(myfunc, ArrayType(IntegerType()))df = df.withColumn('new_requests_ID', udf_extract('requests_ID'))#df.show()或者，没有变量声明，import pyspark.sql.functions as [e-mail] myfunc(x):  temp = []  for _ in x:    temp.append(len(x))  max_ind = temp.index(max(temp))  return x[max_ind]df = df.withColumn('new_requests_ID', myfunc('requests_ID'))#df.show()