我有一个PySpark DataFrame,列有'people'和'timestamp'(加上与问题无关的其他列)。解释是用户当时做了一些事情。
我想将“时间戳”的所有行分组,其中“时间戳”的差异不超过“阈值”值(例如5分钟)。
我是如何在PySpark中实现这一目标的?最好将DataFrame作为结果吗?
欣赏你的想法!
我们假设您有['people','timestamp','activity']
列
SData = Row("people","session_start", "session_end")
def getSessions(dt):
info = dt[1]
data = []
session_start = info[0][0]
session_end = info[0][0]
for x in info[1:]:
if ((x[1] - session_end) > 5*60*1000):
data.append(SData(dt[0], session_start, session_end)
session_start = x[1]
session_end = x[1]
data.append(SData(dt[0],session_start, session_end))
return data
rdd = df.rdd.map(lambda x: (x[0],(x[1],x[2])))
df = rdd.groupByKey().mapValues(lambda x: sorted(x, key=lambda z:z)).flatMap(getSessions).toDF()
基本上将它映射到rdd返回到df。
没有rdd的另一种方法是创建一个udf返回的会话数组。最后,我们可以使用explode来明智地获取数据。