sql - Funciones de ventana de chispa-rango entre fechas

apache-spark pyspark

Question

Tengo un Spark SQL DataFrame con datos y lo que intento obtener son todas las filas que preceden a la fila actual en un rango de fechas determinado. Entonces, por ejemplo, quiero tener todas las filas de 7 días anteriores a la fila dada. Descubrí que necesito usar una Window Function como:

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

Y aquí viene el problema. Quiero tener un rangeBetween 7 días, pero no hay nada en los documentos de Spark que pueda encontrar sobre esto. ¿Spark incluso ofrece esa opción? Por ahora solo obtengo todas las filas anteriores con:

.rowsBetween(-sys.maxsize, 0)

pero me gustaría lograr algo como:

.rangeBetween("7 days", 0)

Si alguien pudiera ayudarme con esto, estaría muy agradecido. ¡Gracias por adelantado!

Answer 1

Chispa> = 2.3

Desde Spark 2.3 es posible usar objetos de intervalo usando la API SQL, pero el DataFrame API DataFrame todavía está en progreso .

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|
## +---+----------+----------+------------------+

Chispa <2.3

Hasta donde yo sé, no es posible directamente ni en Spark ni en Hive. Ambos requieren que la cláusula ORDER BY utilizada con RANGE sea ​​numérica. Lo más parecido que encontré es la conversión a marca de tiempo y operación en segundos. Suponiendo que la columna de start contiene el tipo de date :

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"))

Una pequeña ayuda y definición de ventana:

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 

Finalmente consulta:

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|
## +---+----------+----------+------------------+

Lejos de ser bonita pero funciona.

* Manual de idioma de colmena, tipos