sql - SparkSQL : conditional sum using two columns

我希望你能帮我解决这个问题。
我有一个 DF 如下:

val df = sc.parallelize(Seq(
  (1, "a", "2014-12-01", "2015-01-01", 100),
  (2, "a", "2014-12-01", "2015-01-02", 150),
  (3, "a", "2014-12-01", "2015-01-03", 120),
  (4, "b", "2015-12-15", "2015-01-01", 100)
)).toDF("id", "prodId", "dateIns", "dateTrans", "value")
.withColumn("dateIns", to_date($"dateIns")
.withColumn("dateTrans", to_date($"dateTrans"))

我很想做一个 groupBy prodId 并聚合“value”，将它的总和用于由“dateIns”和“dateTrans”列之间的差异定义的日期范围。特别是，我想有一种方法来定义一个条件总和，该总和将上述列之间的预定义最大差异内的所有值相加。 IE。从 dateIns ('dateTrans' - 'dateIns'
spark中是否有任何预定义的聚合函数可以进行条件求和？您是否建议开发 aggr. UDF(如果是这样，有什么建议)？
我正在使用 pySpqrk，但也很高兴获得 Scala 解决方案。非常感谢!

最佳答案

让你更有趣一点，所以窗口中有一些事件:

val df = sc.parallelize(Seq(
  (1, "a", "2014-12-30", "2015-01-01", 100),
  (2, "a", "2014-12-21", "2015-01-02", 150),
  (3, "a", "2014-12-10", "2015-01-03", 120),
  (4, "b", "2014-12-05", "2015-01-01", 100)
)).toDF("id", "prodId", "dateIns", "dateTrans", "value")
.withColumn("dateIns", to_date($"dateIns"))
.withColumn("dateTrans", to_date($"dateTrans"))

你需要的或多或少是这样的:

import org.apache.spark.sql.functions.{col, datediff, lit, sum}

// Find difference in tens of days
val diff = (datediff(col("dateTrans"), col("dateIns")) / 10)
  .cast("integer") * 10

val dfWithDiff = df.withColumn("diff", diff)

val aggregated = dfWithDiff
  .where((col("diff") < 30) && (col("diff") >= 0))
  .groupBy(col("prodId"), col("diff"))
  .agg(sum(col("value")))

结果

aggregated.show
// +------+----+----------+
// |prodId|diff|sum(value)|
// +------+----+----------+
// |     a|  20|       120|
// |     b|  20|       100|
// |     a|   0|       100|
// |     a|  10|       150|
// +------+----+----------+

其中 diff 是范围 (0 -> [0, 10), 10 -> [10, 20), ...) 的下限。如果您删除 val 并调整导入，这也适用于 PySpark。

编辑 (每列聚合):

val exprs = Seq(0, 10,  20).map(x => sum(
  when(col("diff") === lit(x), col("value"))
    .otherwise(lit(0)))
    .alias(x.toString))

dfWithDiff.groupBy(col("prodId")).agg(exprs.head, exprs.tail: _*).show

// +------+---+---+---+
// |prodId|  0| 10| 20|
// +------+---+---+---+
// |     a|100|150|120|
// |     b|  0|  0|100|
// +------+---+---+---+

与 Python 等效:

from pyspark.sql.functions import *

def make_col(x):
   cnd = when(col("diff") == lit(x), col("value")).otherwise(lit(0))
   return sum(cnd).alias(str(x))

exprs = [make_col(x) for x in range(0, 30, 10)]
dfWithDiff.groupBy(col("prodId")).agg(*exprs).show()

## +------+---+---+---+
## |prodId|  0| 10| 20|
## +------+---+---+---+
## |     a|100|150|120|
## |     b|  0|  0|100|
## +------+---+---+---+

关于sql - SparkSQL : conditional sum using two columns，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33858750/