Как проверить, есть ли у меня два значения в наборе значений таблицы в Databricks Pyspark

Есть ли способ изменить столбец на основе наличия двух значений в наборе значений из кадра данных databricks pyspark?

Пример:

df = (
    [
        ('E1', 'A1',''), 
        ('E2', 'A2',''),
        ('F1', 'A3',''),
        ('F2', 'B1',''),
        ('F3', 'B2',''),
        ('G1', 'B3',''),
        ('G2', 'C1',''),
        ('G3', 'C2',''),
        ('G4', 'C3',''),
        ('H1', 'C4',''),
        ('H2', 'D1',''),
    ],
    ['old_comp_id', 'db_id', 'comment'] 
)

Проверяем наличие значений E1 и C1, и отмечаем комментарием в обоих случаях, и ожидаемый результат должен быть:

df = (
    [
        ('E1', 'A1','mark'), 
        ('E2', 'A2',''),
        ('F1', 'A3',''),
        ('F2', 'B1',''),
        ('F3', 'B2',''),
        ('G1', 'B3',''),
        ('G2', 'C1','mark'),
        ('G3', 'C2',''),
        ('G4', 'C3',''),
        ('H1', 'C4',''),
        ('H2', 'D1',''),
    ],
    ['old_comp_id', 'db_id', 'comment'] 
)

Чтобы иметь возможность использовать несколько рабочих в Databricks, я думаю, что он должен использовать только структуру pyspark и не конвертировать в Pandas в любой момент.

Другое ожидаемое поведение:

Предположим, что у нас нет строки с элементом "C1". В этом случае входной фрейм данных будет:

df = (
    [
        ('E1', 'A1',''), 
        ('E2', 'A2',''),
        ('F1', 'A3',''),
        ('F2', 'B1',''),
        ('F3', 'B2',''),
        ('G1', 'B3',''),
        ('G3', 'C2',''),
        ('G4', 'C3',''),
        ('H1', 'C4',''),
        ('H2', 'D1',''),
    ],
    ['old_comp_id', 'db_id', 'comment'] 
)

и выход: будет точно равен входу.

что ты пробовал?

Steven 14.11.2022 15:16

Я решал преобразование в фреймворк данных pandas и зацикливание в наборе. Чтобы ускорить работу, я использовал многопроцессорную обработку, которая ограничивается запуском драйвера в Databricks и не распространяется автоматически на несколько рабочих процессов.

Leonardo Kanashiro Felizardo 14.11.2022 15:21
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
2
56
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Я думаю, вам придется сделать это в два этапа. Сначала проверьте, встречаются ли значения C1 и E1 хотя бы один раз в обоих столбцах, и если да, то примените операции, подобные тому, что предложил @Steven:

from pyspark.sql.functions import col, when

df = spark.createDataFrame([
        ('E1', 'A1',''), 
        ('E2', 'A2',''),
        ('F1', 'A3',''),
        ('F2', 'B1',''),
        ('F3', 'B2',''),
        ('G1', 'B3',''),
        ('G2', 'C1',''),
        ('G3', 'C2',''),
        ('G4', 'C3',''),
        ('H1', 'C4',''),
        ('H2', 'D1',''),
    ],
    ['old_comp_id', 'db_id', 'comment'] 
)

key_values = ["E1", "C1"]

df_old_comp_id_filtered = df.filter(col("old_comp_id").isin(key_values))
df_db_id_filtered = df.filter(col("db_id").isin(key_values))

if df_old_comp_id_filtered.count() == 0 or df_db_id_filtered.count() == 0:
    df.show() # And preferably return original DF

df.withColumn("comment", when(col("old_comp_id").isin(key_values), "mark").when(col("db_id").isin(key_values), "mark")).show()

# If both key values exist:
+-----------+-----+-------+
|old_comp_id|db_id|comment|
+-----------+-----+-------+
|         E1|   A1|   mark|
|         E2|   A2|       |
|         F1|   A3|       |
|         F2|   B1|       |
|         F3|   B2|       |
|         G1|   B3|       |
|         G2|   C1|   mark|
|         G3|   C2|       |
|         G4|   C3|       |
|         H1|   C4|       |
|         H2|   D1|       |
+-----------+-----+-------+

# Else
+-----------+-----+-------+
|old_comp_id|db_id|comment|
+-----------+-----+-------+
|         E1|   A1|       |
|         E2|   A2|       |
|         F1|   A3|       |
|         F2|   B1|       |
|         F3|   B2|       |
|         G1|   B3|       |
|         G3|   C2|       |
|         G4|   C3|       |
|         H1|   C4|       |
|         H2|   D1|       |
+-----------+-----+-------+

Однако, чтобы заставить несколько рабочих обработать это решение, мне пришлось бы инкапсулировать его в UDF, верно?

Leonardo Kanashiro Felizardo 14.11.2022 21:57

Нет, приведенный выше код полностью распараллеливается Spark — он использует собственные функции Spark SQL. Единственной горячей точкой «производительности» может быть операция count, но если предположить, что фильтрация, которая происходит до того, как уже удалено большинство нерелевантных строк, то с этим все должно быть в порядке :)

Bartosz Gajda 15.11.2022 10:41

Другие вопросы по теме