我有一个PySpark数据框
name city date
satya Mumbai 13/10/2016
satya Pune 02/11/2016
satya Mumbai 22/11/2016
satya Pune 29/11/2016
satya Delhi 30/11/2016
panda Delhi 29/11/2016
brata BBSR 28/11/2016
brata Goa 30/10/2016
brata Goa 30/10/2016
我需要为每个名称找出最喜欢的CITY,逻辑是“如果在“名称”“城市”对上具有最大城市出现次数的城市,则将城市作为fav_city.如果发现多个相同的事件,则考虑具有最新日期的城市.会解释:
d = df.groupby('name','city').count()
#name city count
brata Goa 2 #clear favourite
brata BBSR 1
panda Delhi 1 #as single so clear favourite
satya Pune 2 ##Confusion
satya Mumbai 2 ##confusion
satya Delhi 1 ##shd be discard as other cities having higher count than this city
#So get cities having max count
dd = d.groupby('name').agg(F.max('count').alias('count'))
ddd = dd.join(d,['name','count'],'left')
#name count city
brata 2 Goa #fav found
panda 1 Delhi #fav found
satya 2 Mumbai #can't say
satya 2 Pune #can't say
对于用户“ satya”,我需要返回trx_history并从上次交易的“孟买”或“浦那”获得具有等于_最大计数I:e的城市的最新日期(最大日期),将该城市视为fav_city.在这种情况下,“ Pune”作为“ 29/11/2016”是最新/最晚日期.
但是我无法继续进行该工作.
请提供逻辑上的帮助,或者提供更好的解决方案(更快/更紧凑的方式),请提出建议.谢谢.
解决方法:
首先将日期转换为DateType:
df_with_date = df.withColumn(
"date",
F.unix_timestamp("date", "dd/MM/yyyy").cast("timestamp").cast("date")
)
下一个组按用户和城市划分,但扩展聚合如下:
df_agg = (df_with_date
.groupBy("name", "city")
.agg(F.count("city").alias("count"), F.max("date").alias("max_date")))
定义一个窗口:
from pyspark.sql.window import Window
w = Window().partitionBy("name").orderBy(F.desc("count"), F.desc("max_date"))
添加等级:
df_with_rank = (df_agg
.withColumn("rank", F.dense_rank().over(w)))
和过滤器:
result = df_with_rank.where(F.col("rank") == 1)
您可以使用以下代码检测剩余的重复项:
import sys
final_w = Window().partitionBy("name").rowsBetween(-sys.maxsize, sys.maxsize)
result.withColumn("tie", F.count("*").over(final_w) != 1)