web-dev-qa-db-fra.com

pyspark: compte distinct sur une fenêtre

J'ai juste essayé de faire un compte sur une fenêtre et j'ai eu cette erreur:

AnalysisException: u'Distinct window functions are not supported: count(distinct color#1926)

Existe-t-il un moyen de compter séparément sur une fenêtre dans pyspark?

Voici un exemple de code:

from pyspark.sql import functions as F

#function to calculate number of seconds from number of days
days = lambda i: i * 86400

df = spark.createDataFrame([(17, "2017-03-10T15:27:18+00:00", "orange"),
                    (13, "2017-03-15T12:27:18+00:00", "red"),
                    (25, "2017-03-18T11:27:18+00:00", "red")],
                    ["dollars", "timestampGMT", "color"])

df = df.withColumn('timestampGMT', df.timestampGMT.cast('timestamp'))

#create window by casting timestamp to long (number of seconds)
w = (Window.orderBy(F.col("timestampGMT").cast('long')).rangeBetween(-days(7), 0))

df = df.withColumn('distinct_color_count_over_the_last_week', F.countDistinct("color").over(w))

df.show()

Voici le résultat que j'aimerais voir:

+-------+--------------------+------+---------------------------------------+
|dollars|        timestampGMT| color|distinct_color_count_over_the_last_week|
+-------+--------------------+------+---------------------------------------+
|     17|2017-03-10 15:27:...|orange|                                      1|
|     13|2017-03-15 12:27:...|   red|                                      2|
|     25|2017-03-18 11:27:...|   red|                                      1|
+-------+--------------------+------+---------------------------------------+
8
Bob Swain

J'ai réalisé que je pouvais utiliser une combinaison des fonctions collect_set et size pour imiter la fonctionnalité de countDistinct sur une fenêtre:

from pyspark.sql import functions as F

#function to calculate number of seconds from number of days
days = lambda i: i * 86400

#create some test data
df = spark.createDataFrame([(17, "2017-03-10T15:27:18+00:00", "orange"),
                    (13, "2017-03-15T12:27:18+00:00", "red"),
                    (25, "2017-03-18T11:27:18+00:00", "red")],
                    ["dollars", "timestampGMT", "color"])

#convert string timestamp to timestamp type             
df = df.withColumn('timestampGMT', df.timestampGMT.cast('timestamp'))

#create window by casting timestamp to long (number of seconds)
w = (Window.orderBy(F.col("timestampGMT").cast('long')).rangeBetween(-days(7), 0))

#use collect_set and size functions to perform countDistinct over a window
df = df.withColumn('distinct_color_count_over_the_last_week', F.size(F.collect_set("color").over(w)))

df.show()

Il en résulte un nombre de couleurs distinct sur la semaine précédente:

+-------+--------------------+------+---------------------------------------+
|dollars|        timestampGMT| color|distinct_color_count_over_the_last_week|
+-------+--------------------+------+---------------------------------------+
|     17|2017-03-10 15:27:...|orange|                                      1|
|     13|2017-03-15 12:27:...|   red|                                      2|
|     25|2017-03-18 11:27:...|   red|                                      1|
+-------+--------------------+------+---------------------------------------+
28
Bob Swain

La réponse de @Bob Swain est Nice et fonctionne! Depuis lors, Spark version 2.1 , Spark offre une fonction équivalente à countDistinct, approx_count_distinct, plus efficace à utiliser et, surtout, prenant en charge le comptage distinct sur une fenêtre.

Voici le code à remplacer en remplacement:

#approx_count_distinct supports a window
df = df.withColumn('distinct_color_count_over_the_last_week', F.approx_count_distinct("color").over(w))

Pour les colonnes avec de petites cardinalités, le résultat est supposé être le même que "countDistinct". Lorsque le jeu de données grossit beaucoup, vous devez envisager d’ajuster le paramètre rsd - erreur d’estimation maximale autorisée, ce qui vous permet d’ajuster la précision/les performances du compromis.

3
noleto