web-dev-qa-db-fra.com

Application d'une fonction Window pour calculer les différences dans pySpark

J'utilise pySpark et j'ai configuré mon dataframe avec deux colonnes représentant un prix d'actif quotidien comme suit:

ind = sc.parallelize(range(1,5))
prices = sc.parallelize([33.3,31.1,51.2,21.3])
data = ind.Zip(prices)
df = sqlCtx.createDataFrame(data,["day","price"])

J'obtiens en appliquant df.show():

+---+-----+
|day|price|
+---+-----+
|  1| 33.3|
|  2| 31.1|
|  3| 51.2|
|  4| 21.3|
+---+-----+

Ce qui est bien et tout. Je voudrais avoir une autre colonne qui contient les rendements quotidiens de la colonne des prix, c'est-à-dire quelque chose comme

(price(day2)-price(day1))/(price(day1))

Après de nombreuses recherches, on me dit que cela est plus efficacement accompli en appliquant les fonctions pyspark.sql.window, Mais je ne peux pas voir comment.

pysparkspark-dataframewindow-functionspyspark-sql
17
Thomas Moore

Vous pouvez apporter la colonne du jour précédent en utilisant la fonction lag , et ajouter une colonne supplémentaire qui effectue le retour quotidien réel des deux colonnes, mais vous devrez peut-être indiquer spark comment partitionner vos données et/ou leur ordonner de faire du lag, quelque chose comme ceci:

from pyspark.sql.window import Window
import pyspark.sql.functions as func
from pyspark.sql.functions import lit

dfu = df.withColumn('user', lit('tmoore'))

df_lag = dfu.withColumn('prev_day_price',
                        func.lag(dfu['price'])
                                 .over(Window.partitionBy("user")))

result = df_lag.withColumn('daily_return', 
          (df_lag['price'] - df_lag['prev_day_price']) / df_lag['price'] )

>>> result.show()
+---+-----+-------+--------------+--------------------+
|day|price|   user|prev_day_price|        daily_return|
+---+-----+-------+--------------+--------------------+
|  1| 33.3| tmoore|          null|                null|
|  2| 31.1| tmoore|          33.3|-0.07073954983922816|
|  3| 51.2| tmoore|          31.1|         0.392578125|
|  4| 21.3| tmoore|          51.2|  -1.403755868544601|
+---+-----+-------+--------------+--------------------+

Voici une introduction plus longue à Fonctions de fenêtre dans Spark .

33
Oleksiy

Lag La fonction peut vous aider à résoudre votre cas d'utilisation.

from pyspark.sql.window import Window
import pyspark.sql.functions as func

### Defining the window 
Windowspec=Window.orderBy("day")

### Calculating lag of price at each day level
prev_day_price= df.withColumn('prev_day_price',
                        func.lag(dfu['price'])
                                .over(Windowspec))

### Calculating the average                                  
result = prev_day_price.withColumn('daily_return', 
          (prev_day_price['price'] - prev_day_price['prev_day_price']) / 
prev_day_price['price'] )
2
Sushmita Konar