Получить топ-н в каждой группе DataFrame в pyspark

В pyspark есть DataFrame с данными, как показано ниже:

user_id object_id score
user_1  object_1  3
user_1  object_1  1
user_1  object_2  2
user_2  object_1  5
user_2  object_2  2
user_2  object_2  6

Я ожидаю, что в каждой группе будет возвращено 2 записи с одинаковым идентификатором user_id, которые должны иметь самый высокий балл. Следовательно, результат должен выглядеть следующим образом:

user_id object_id score
user_1  object_1  3
user_1  object_2  2
user_2  object_2  6
user_2  object_1  5

Я действительно новичок в pyspark. Может кто-нибудь дать мне фрагмент кода или портал с соответствующей документацией по этой проблеме? Большое спасибо!

Источник

6 ответов

Решение

Я считаю, что вам нужно использовать оконные функции для достижения ранга каждой строки на основе user_id а также scoreи впоследствии отфильтруйте результаты, чтобы сохранить только первые два значения.

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

window = Window.partitionBy(df['user_id']).orderBy(df['score'].desc())

df.select('*', rank().over(window).alias('rank')) 
  .filter(col('rank') <= 2) 
  .show() 
#+-------+---------+-----+----+
#|user_id|object_id|score|rank|
#+-------+---------+-----+----+
#| user_1| object_1|    3|   1|
#| user_1| object_2|    2|   2|
#| user_2| object_2|    6|   1|
#| user_2| object_1|    5|   2|
#+-------+---------+-----+----+

В общем, официальное руководство по программированию является хорошим местом для начала изучения Spark.

Данные

rdd = sc.parallelize([("user_1",  "object_1",  3), 
                      ("user_1",  "object_2",  2), 
                      ("user_2",  "object_1",  5), 
                      ("user_2",  "object_2",  2), 
                      ("user_2",  "object_2",  6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])
Источник

Топ-н более точен при использовании row_number вместо rank при получении ранга равенства:

val n = 5
df.select(col('*'), row_number().over(window).alias('row_number')) \
  .where(col('row_number') <= n) \
  .limit(20) \
  .toPandas()

Заметка limit(20).toPandas() трюк вместо show() для ноутбуков Jupyter для лучшего форматирования.

Источник

Я знаю, что вопрос задан pyspark и я искал подобный ответ в Scala т.е.

Получить первые n значений в каждой группе DataFrame в Scala

Здесь scala версия ответа @mtoto.

import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions.rank
import org.apache.spark.sql.functions.col

val window = Window.partitionBy("user_id").orderBy('score desc)
val rankByScore = rank().over(window)
df1.select('*, rankByScore as 'rank).filter(col("rank") <= 2).show() 
# you can change the value 2 to any number you want. Here 2 represents the top 2 values

Больше примеров можно найти здесь.

Источник

Вот еще одно решение без оконной функции для получения первых N записей из pySpark DataFrame.

      # Import Libraries
from pyspark.sql.functions import col

# Sample Data
rdd = sc.parallelize([("user_1",  "object_1",  3), 
                      ("user_1",  "object_2",  2), 
                      ("user_2",  "object_1",  5), 
                      ("user_2",  "object_2",  2), 
                      ("user_2",  "object_2",  6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])

# Get top n records as Row Objects
row_list = df.orderBy(col("score").desc()).head(5)

# Convert row objects to DF
sorted_df = spark.createDataFrame(row_list)

# Display DataFrame
sorted_df.show()

Выход

      +-------+---------+-----+
|user_id|object_id|score|
+-------+---------+-----+
| user_1| object_2|    2|
| user_2| object_2|    2|
| user_1| object_1|    3|
| user_2| object_1|    5|
| user_2| object_2|    6|
+-------+---------+-----+

Если вас интересуют дополнительные оконные функции в Spark, вы можете обратиться к одному из моих блогов: https://medium.com/expedia-group-tech/deep-dive-into-apache-spark-window-functions-7b4e39ad3c86

Источник

С Python 3 и Spark 2.4

from pyspark.sql import Window
import pyspark.sql.functions as f

def get_topN(df, group_by_columns, order_by_column, n=1):
    window_group_by_columns = Window.partitionBy(group_by_columns)
    ordered_df = df.select(df.columns + [
        f.row_number().over(window_group_by_columns.orderBy(order_by_column.desc())).alias('row_rank')])
    topN_df = ordered_df.filter(f"row_rank <= {n}").drop("row_rank")
    return topN_df

top_n_df = get_topN(your_dataframe, [group_by_columns],[order_by_columns], 1)
Источник

Чтобы найти N-е наивысшее значение в PYSPARK SQLquery, используя ROW_NUMBER() функция:

SELECT * FROM (
    SELECT e.*, 
    ROW_NUMBER() OVER (ORDER BY col_name DESC) rn 
    FROM Employee e
)
WHERE rn = N

N - это n-е наибольшее значение, требуемое из столбца

Выход:

[Stage 2:>               (0 + 1) / 1]++++++++++++++++
+-----------+
|col_name   |
+-----------+
|1183395    |
+-----------+

запрос вернет N наибольшее значение

Источник
Другие вопросы по тегам