У меня есть набор данных:
+-----+-------------------+---------------------+------------------+
|query|similar_queries |model_score |count |
+-----+-------------------+---------------------+------------------+
|shirt|funny shirt |0.0034038130658784866|189.0 |
|shirt|shirt womens |0.0019435265241921438|136.0 |
|shirt|watch |0.001097496453284101 |212.0 |
|shirt|necklace |6.694577024597908E-4 |151.0 |
|shirt|white shirt |0.0037413097560623485|217.0 |
|shirt|shoes |0.0022062579255572733|575.0 |
|shirt|crop top |9.065831060804897E-4 |173.0 |
|shirt|polo shirts for men|0.007706416273211698 |349.0 |
|shirt|shorts |0.002669621942466027 |200.0 |
|shirt|black shirt |0.03264296242546658 |114.0 |
+-----+-------------------+---------------------+------------------+
Сначала я ранжирую набор данных на основе «количества».
lazy val countWindowByFreq = Window.partitionBy(col(QUERY)).orderBy(col(COUNT).desc)
val ranked_data = data.withColumn("count_rank", row_number over countWindowByFreq)
+-----+-------------------+---------------------+------------------+----------+
|query|similar_queries |model_score |count |count_rank|
+-----+-------------------+---------------------+------------------+----------+
|shirt|shoes |0.0022062579255572733|575.0 |1 |
|shirt|polo shirts for men|0.007706416273211698 |349.0 |2 |
|shirt|white shirt |0.0037413097560623485|217.0 |3 |
|shirt|watch |0.001097496453284101 |212.0 |4 |
|shirt|shorts |0.002669621942466027 |200.0 |5 |
|shirt|funny shirt |0.0034038130658784866|189.0 |6 |
|shirt|crop top |9.065831060804897E-4 |173.0 |7 |
|shirt|necklace |6.694577024597908E-4 |151.0 |8 |
|shirt|shirt womens |0.0019435265241921438|136.0 |9 |
|shirt|black shirt |0.03264296242546658 |114.0 |10 |
+-----+-------------------+---------------------+------------------+----------+
Теперь я пытаюсь ранжировать контент, используя скользящее окно по row_number (4 строки) и ранжировать в окне на основе model_score. Например:
В первом окне row_number от 1 до 4 новый ранг (новый столбец) будет
1. polo shirts for men
2. white shirt
3. shoes
4. watch
В первом окне row_number от 5 до 8 новый ранг (новый столбец) будет
5. funny shirt
6. shorts
7. shirt womens
8. crop top
В первом окне, row_number 9, чтобы отдохнуть, новый ранг (новый столбец) будет
9. black shirt
10. shirt womens
Может ли кто-нибудь сказать мне, как я могу добиться этого с помощью этой искры и Scala? Существуют ли какие-либо предопределенные функции, которые я могу использовать?
Я старался :
ленивый val MODEL_RANK = Window.partitionBy(col(QUERY)) .orderBy(col(MODEL_SCORE).desc).rowsBetween(0, 3)
но это дает мне:
sql.AnalysisException: Window Frame ROWS BETWEEN CURRENT ROW AND 3 FOLLOWING must match the required frame ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW;
Кроме того, пробовал с .rowsBetween(-3, 0), но это также дает мне ошибку:
org.apache.spark.sql.AnalysisException: Window Frame ROWS BETWEEN 3 PRECEDING AND CURRENT ROW must match the required frame ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW;
@ollik1 Ожидаемый o/p: 1. рубашки-поло для мужчин 2. белая рубашка 3. обувь 4. часы 5. забавная рубашка 6. шорты 7. женская рубашка 8. укороченный топ 9. черная рубашка 10. женская рубашка
Поскольку вы вычислили count_rank
, следующим шагом будет найти способ сгруппировать строку в набор из четырех. Это можно сделать следующим образом:
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types._
val ranked_data_grouped = ranked_data
.withColumn("bucket", (($"count_rank" -1)/4).cast(IntegerType))
ranked_data_grouped будет выглядеть так:
+-----+-------------------+---------------------+------------------+----------+-------+
|query|similar_queries |model_score |count |count_rank|bucket |
+-----+-------------------+---------------------+------------------+----------+-------+
|shirt|shoes |0.0022062579255572733|575.0 |1 |0 |
|shirt|polo shirts for men|0.007706416273211698 |349.0 |2 |0 |
|shirt|white shirt |0.0037413097560623485|217.0 |3 |0 |
|shirt|watch |0.001097496453284101 |212.0 |4 |0 |
|shirt|shorts |0.002669621942466027 |200.0 |5 |1 |
|shirt|funny shirt |0.0034038130658784866|189.0 |6 |1 |
|shirt|crop top |9.065831060804897E-4 |173.0 |7 |1 |
|shirt|necklace |6.694577024597908E-4 |151.0 |8 |1 |
|shirt|shirt womens |0.0019435265241921438|136.0 |9 |2 |
|shirt|black shirt |0.03264296242546658 |114.0 |10 |2 |
+-----+-------------------+---------------------+------------------+----------+-------+
Теперь все, что вам нужно сделать, это разделить по bucket
и упорядочить по model_score
:
val output = ranked_data_grouped
.withColumn("finalRank", row_number().over(Window.partitionBy($"bucket").orderBy($"model_score".desc)))
Но это не дает finalRank от 1 до n.. это дает мне 1..4 снова 1..4 и так далее.. Есть ли способ получить окончательный ранг 1.. n т.е.. 1..4 ( группа 0) следуют 5..8 (ранг с 1 по 4 в группе 1)..
Я получил результат val =Ranked_data_grouped.withColumn("finalRanksTemp", row_number().over(Window.partitionBy($"bucket").orderBy(col("model_score").desc))) .withColumn ("finalRanks", row_number().over(Window.partitionBy($"query").orderBy(col("bucket"), col("finalRanksTemp"))))
Каков ожидаемый кадр выходных данных?