Как сохранить в pyspark значение в последовательных строках на основе условия

Я использую Spark 3.0.1, и это пример моего DataFrame pyspark:

| label| amount| bool   |
 ----------------------------- 
| a    | 10    | false  |
| a    | 2     | false  |
| b    | 20    | true   |
| c    | 3     | true   |
| d    | 2     | false  |
| f    | 5     | false  |
| w    | 50    | true   |
...
...

Это код, который я использовал для создания вышеупомянутого примера:

df = spark.createDataFrame(pd.DataFrame({
     'label': ["a", "a", "b", "c", "d", "f", "w"],
     'amount': [10, 2, 20, 3, 2, 5, 50],
     'bool': [False, False, True, True, False, False, True]
     }))

Я хотел бы выполнить задачу, которая кажется мне очень простой, но которую я не могу выполнить.

В частности, я хотел бы:

  1. заказать по label (уже предполагается в примере)
  2. присвоить новому столбцу true_label значения как таковые:
    • значение в label, если bool равно false
    • последний (после заказа label) label уже встречался с false в bool

Обновление предыдущего примера должно помочь лучше понять ожидаемый результат:

| label| amount| bool   | real_label |
 ----------------------------------- 
| a    | 10    | false  | a          |  <- because `bool` is false, `real_label` = `label`
| a    | 2     | false  | a          |  <- because `bool` is false, `real_label` = `label`
| b    | 20    | true   | a          |  <- because `a` the latest `label` with a `false` in `bool` 
| c    | 3     | true   | a          |  <- because `a` the latest `label` with a `false` in `bool` 
| d    | 2     | false  | d          |  <- because `bool` is false, `real_label` = `label`
| f    | 5     | false  | f          |  <- because `bool` is false, `real_label` = `label`
| w    | 50    | true   | f          |  <- because `f` the latest `label` with a `false` in `bool` 
...
...

Можно ли достичь того, чего я хочу, не зная количества последовательных false, которые я могу встретить, а также учитывая, что реальный фрейм данных очень большой и имеет значение производительность (поэтому ответы на основе toPandas, к сожалению, сомнительны, и также было бы лучше избегать udf функций) ?

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
0
504
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Ответ принят как подходящий

Используйте оконную функцию last, чтобы получить предыдущую «ложную метку», если она верна, в противном случае сохраните метку.

from pyspark.sql import functions as F, Window

df2 = df.withColumn(
    'real_label',
    F.when(
        F.col('bool'),    # get previous false label if true
        F.last(
            F.when(~F.col('bool'), F.col('label')),    # keep false labels and mask true labels with null
            ignorenulls=True
        ).over(Window.orderBy('label'))
    ).otherwise(F.col('label'))    # otherwise keep label if false
)

df2.show()
+-----+------+-----+----------+
|label|amount| bool|real_label|
+-----+------+-----+----------+
|    a|    10|false|         a|
|    a|     2|false|         a|
|    b|    20| true|         a|
|    c|     3| true|         a|
|    d|     2|false|         d|
|    f|     5|false|         f|
|    w|    50| true|         f|
+-----+------+-----+----------+

Потрясающе ясно, сэр. Именно этого я и хотел добиться. Простой и производительный. Последняя функция не бросилась мне в глаза, и мне бы не пришло в голову использовать ее таким элегантным способом. Спасибо.

ciurlaro 19.12.2020 20:34

Решение с использованием SQL

yourDF.createOrReplaceTempView("tmp_view")
    
yourTransformedDF = spark.sql("""SELECT 
        label, 
        amount, 
        bool, 
        label2,
        CASE WHEN bool THEN LAG(COALESCE(label2, label)) OVER (ORDER BY label) 
             ELSE label
        END AS real_label
    FROM (
      SELECT
        label,
        amount,
        bool,
        case when bool then LAG(label) OVER (ORDER BY label) else label end as label2
      FROM tmp_view) q""")

Другие вопросы по теме