Как я могу скрестить подмножества pyspark фрейма данных с двумя столбцами другого фрейма данных?

Проблема

Как я могу отметить подмножество фрейма данных pyspark на основе другого фрейма данных?

В таблице A подмножество определяется кодом в столбце code. Для каждого кода у нас есть несколько регистров. У нас есть одна колонка, servico. В таблице B у нас есть те же столбцы cod_1 и cod_2, а также столбец, который мы хотим пересечь с таблицей A. В случае, если cod_1 и cod_2 присутствуют в подмножестве, определенном code в столбце таблицы A servico, мы заполняем столбец таблицы A rule в регистре с cod_2 со значениями в таблице B rule.

Требования

Единственное ограничение состоит в том, что все нужно делать в pyspark или SQL без collect(). Я хочу добиться максимальной производительности на сервере Databricks.

Пример

Таблица А определяется:

table_a= spark.createDataFrame([
        ('123', 'A1',''), 
        ('123', 'E1',''),
        ('123', 'A3',''),
        ('123', 'B1',''),
        ('123', 'B2',''),
        ('123', 'B3',''),
        ('321', 'C1',''),
        ('321', 'C2',''),
        ('321', 'C3',''),
        ('321', 'C4',''),
        ('321', 'D1',''),
    ],
    ['code', 'servico', 'rule'] 
)

Таблица B определяется:

table_b = spark.createDataFrame([
        ('E1', 'A1','aaa'), 
        ('E2', 'A2','bbb'),
        ('F1', 'A3','ccc'),
        ('F2', 'B1','ddd'),
        ('F3', 'B2','eee'),
        ('G1', 'B3','fff'),
        ('G2', 'C1','ggg'),
        ('G3', 'C2','hhh'),
        ('G4', 'C3','iii'),
        ('H1', 'C4','jjj'),
        ('H2', 'D1','kkk'),
    ],
    ['cod_1', 'cod_2', 'rule'] 
)

Ожидаемый результат:

result = spark.createDataFrame([
        ('123', 'A1','aaa'), 
        ('123', 'E1',''),
        ('123', 'A3',''),
        ('123', 'B1',''),
        ('123', 'B2',''),
        ('123', 'B3',''),
        ('321', 'C1',''),
        ('321', 'C2',''),
        ('321', 'C3',''),
        ('321', 'C4',''),
        ('321', 'D1',''),
    ],
    ['code', 'servico', 'rule'] 
)

Единственный регистр, который заполняется таблицей B, является первым, потому что мы находим как A1, так и E1 для кода 123.

У меня два вопроса: 1. Где находится столбец cod в вашем примере table_a? 2. В вашем ожидаемом результате, почему вторая строка, ('123', 'E1',''), не должна быть заполнена «ааа»? E1 и A1 это комбинация, верно?

Jonathan Lam 22.11.2022 11:10

1. cod есть servico. Я исправлю в примере. Спасибо. 2. Вы также можете отметить как E1, так и A1. Думаю, что маркировать только Е1 проще.

Leonardo Kanashiro Felizardo 22.11.2022 19:20
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...
4
2
114
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Чтобы предотвратить громоздкий фрейм данных (т.е. составить таблицу соединений a, чтобы получить всю комбинацию) и обработать порядок ключей, я сначала собираю все сервисы каждого кода:

table_a_agg = table_a\
    .withColumn('set_of_servico', func.collect_set('servico').over(Window.partitionBy('code')).cast(types.StringType()))
table_a_agg.show(100, False)
+----+-------+----+------------------------+
|code|servico|rule|set_of_servico          |
+----+-------+----+------------------------+
|123 |A1     |    |[B1, A3, A1, B2, E1, B3]|
|123 |E1     |    |[B1, A3, A1, B2, E1, B3]|
|123 |A3     |    |[B1, A3, A1, B2, E1, B3]|
|123 |B1     |    |[B1, A3, A1, B2, E1, B3]|
|123 |B2     |    |[B1, A3, A1, B2, E1, B3]|
|123 |B3     |    |[B1, A3, A1, B2, E1, B3]|
|321 |C1     |    |[C4, C3, D1, C1, C2]    |
|321 |C2     |    |[C4, C3, D1, C1, C2]    |
|321 |C3     |    |[C4, C3, D1, C1, C2]    |
|321 |C4     |    |[C4, C3, D1, C1, C2]    |
|321 |D1     |    |[C4, C3, D1, C1, C2]    |
+----+-------+----+------------------------+

Причина, по которой set_of_servico приводится к строковому типу, заключается в объединении. Чтобы выполнить соединение, мы можем проверить, входят ли cod_1 и cod_2 в set_of_servico

result = table_a_agg.select('code', 'servico', 'set_of_servico').alias('a')\
    .join(table_b.alias('b'), 
          [func.col('a.set_of_servico').contains(func.col('b.cod_1')), func.col('a.set_of_servico').contains(func.col('b.cod_2'))], 
          how='left')
+----+-------+------------------------+-----+-----+----+
|code|servico|set_of_servico          |cod_1|cod_2|rule|
+----+-------+------------------------+-----+-----+----+
|123 |A1     |[B1, A3, A1, B2, E1, B3]|E1   |A1   |aaa |
|123 |E1     |[B1, A3, A1, B2, E1, B3]|E1   |A1   |aaa |
|123 |A3     |[B1, A3, A1, B2, E1, B3]|E1   |A1   |aaa |
|123 |B1     |[B1, A3, A1, B2, E1, B3]|E1   |A1   |aaa |
|123 |B2     |[B1, A3, A1, B2, E1, B3]|E1   |A1   |aaa |
|123 |B3     |[B1, A3, A1, B2, E1, B3]|E1   |A1   |aaa |
|321 |C1     |[C4, C3, D1, C1, C2]    |null |null |null|
|321 |C2     |[C4, C3, D1, C1, C2]    |null |null |null|
|321 |C3     |[C4, C3, D1, C1, C2]    |null |null |null|
|321 |C4     |[C4, C3, D1, C1, C2]    |null |null |null|
|321 |D1     |[C4, C3, D1, C1, C2]    |null |null |null|
+----+-------+------------------------+-----+-----+----+

Затем мы можем проверить, равен ли servico cod_1 и cod_2, чтобы отфильтровать строку, имеющую результат объединения, но на самом деле ее нет в комбинации:

result = result\
    .select(
        'code',
        'servico',
        func.when((func.col('servico')==func.col('cod_1'))|(func.col('servico')==func.col('cod_2')), func.col('rule')).otherwise(func.lit(None)).alias('rule')
    )
result.show(100, False)
+----+-------+----+
|code|servico|rule|
+----+-------+----+
|123 |A1     |aaa |
|123 |E1     |aaa |
|123 |A3     |null|
|123 |B1     |null|
|123 |B2     |null|
|123 |B3     |null|
|321 |C1     |null|
|321 |C2     |null|
|321 |C3     |null|
|321 |C4     |null|
|321 |D1     |null|
+----+-------+----+

Другие вопросы по теме