Pyspark SQL查询以获取特定列的+/- 20％的行

Question

我有以下pyspark df：

+------------------+--------+-------+
|                ID|  Assets|Revenue|
+------------------+--------+-------+
|201542399349300619| 1633944|  32850|
|201542399349300629| 3979760| 850914|
|201542399349300634| 3402687|1983568|
|201542399349300724| 1138291|1097553|
|201522369349300122| 1401406|1010828|
|201522369349300137|   16948| 171534|
|201522369349300142|13474056|2285323|
|201522369349300202|  481045| 241788|
|201522369349300207|  700861|1185640|
|201522369349300227|  178479| 267976|
+------------------+--------+-------+

对于每一行，我希望能够获得在Assets金额的20％范围内的行。例如，对于第一行（ID = 201542399349300619），我希望能够获得资产在20％+/- 1,633,944之间的所有行（因此在1,307,155到1,960,732之间）：

+------------------+--------+-------+
|                ID|  Assets|Revenue|
+------------------+--------+-------+
|201542399349300619| 1633944|  32850|
|201522369349300122| 1401406|1010828|

使用此子集化表，我想获得平均资产并将其添加为新列。因此，对于上面的例子，它将是（1633944 + 1401406）= 1517675的平均资产

+------------------+--------+-------+---------+
|                ID|  Assets|Revenue|AvgAssets|
+------------------+--------+-------+---------+
|201542399349300619| 1633944|  32850|  1517675|

Answer 1

假设您的DataFrame具有类似于以下的模式（即Assets和Revenue是数字）：

df.printSchema()
#root
# |-- ID: long (nullable = true)
# |-- Assets: integer (nullable = true)
# |-- Revenue: integer (nullable = true)

您可以在您提出的条件下将DataFrame发送到自己的join。在连接之后，您可以通过获取Assets列的平均值进行分组和聚合。

例如：

from pyspark.sql.functions import avg, expr

df.alias("l")\
    .join(
        df.alias("r"), 
        on=expr("r.assets between l.assets*0.8 and l.assets*1.2")
    )\
    .groupBy("l.ID", "l.Assets", "l.Revenue")\
    .agg(avg("r.Assets").alias("AvgAssets"))\
    .show()
#+------------------+--------+-------+------------------+
#|                ID|  Assets|Revenue|         AvgAssets|
#+------------------+--------+-------+------------------+
#|201542399349300629| 3979760| 850914|         3691223.5|
#|201522369349300202|  481045| 241788|          481045.0|
#|201522369349300207|  700861|1185640|          700861.0|
#|201522369349300137|   16948| 171534|           16948.0|
#|201522369349300142|13474056|2285323|       1.3474056E7|
#|201522369349300227|  178479| 267976|          178479.0|
#|201542399349300619| 1633944|  32850|         1517675.0|
#|201522369349300122| 1401406|1010828|1391213.6666666667|
#|201542399349300724| 1138291|1097553|         1138291.0|
#|201542399349300634| 3402687|1983568|         3691223.5|
#+------------------+--------+-------+------------------+

由于我们将DataFrame连接到自身，因此我们可以使用别名来引用左表（"l"）和右表（"r"）。上面的逻辑说，加入l到r，条件是r的资产是l资产的+/20％。

有多种表达+ / 20％条件的方法，但我使用spark-sql between表达式来查找Assets * 0.8和Assets * 1.2之间的行。

然后我们在左表的所有列（groupBy）上聚合，并在右表中的资产上进行平均。

得到的AvgAssets列是FloatType列，但你可以通过在IntegerType之前添加.cast("int")轻松将其转换为.alias("AvgAssets")，如果这是你喜欢的。

---

也可以看看：

• What are the various join types in Spark?