Spark - как проверить, не являются ли даты последовательными

У меня есть фрейм данных со столбцами start_time (отметка времени), ev_date(in int). Я пытаюсь выяснить, являются ли даты в этих двух столбцах последовательными. Мне нужно только сравнить, является ли дата последовательной в каждом отдельном столбце. Я думаю об использовании функции lag, но не знаю, как ее реализовать. Как узнать пропущенные даты? Большое спасибо.

Вход:

ev_date |  start_time
---------------------
20220301| 2022-02-28 10:09:21.356782917
20220301| 2022-02-28 03:09:21.756982919
20220302| 2022-03-01 03:09:21.756982919
20220303| 2022-03-02 03:09:21.756982919
20220305| 2022-03-02 03:09:21.756982919 --ev_date is not right here as 20020304 is missing 
20220306| 2022-03-06 03:09:21.756982919 --start_time is not right as it jumped from 03-02 to 03-06

python dataframe scala apache-spark apache-spark-sql

23.03.2022 08:31

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

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

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

Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:

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

Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.

Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

вы можете добавить новый столбец с разницей, а затем отфильтровать, где разница больше 1 дня. что-то вроде (python, но похоже на scala - не уверен, какой язык вам нужен из тегов)

from pyspark.sql.functions import *
from pyspark.sql.window import Window

df1= df.withColumn("diff", datediff(df.ev_date, lag(df.ev_date, 1)
    .over(Window.partitionBy("some other column")
    .orderBy("ev_date")‌)))
df1.filter(df1.diff > 1)

Спасибо, но не могли бы вы объяснить немного больше, что делать, если нет других столбцов для partitionBy? Я надеюсь сравнить каждую строку, а не группу строк.

— 24.03.2022 09:34

вам нужно создать окно, которое будет группировать каждые 2 строки (это отставание), но оконная функция нуждается в разделе, вы можете добавить синтетический столбец, который будет одинаковым для всех строк (.withColumn("fake", lit(1)) а затем разделить по нему

— 24.03.2022 11:49

23.03.2022 18:08