Il y a un DataFrame dans pyspark avec les données ci-dessous:
user_id object_id score
user_1 object_1 3
user_1 object_1 1
user_1 object_2 2
user_2 object_1 5
user_2 object_2 2
user_2 object_2 6
Ce que j'attends, c'est de renvoyer 2 enregistrements dans chaque groupe avec le même identifiant utilisateur, qui doivent avoir le score le plus élevé. Par conséquent, le résultat devrait ressembler à ceci:
user_id object_id score
user_1 object_1 3
user_1 object_2 2
user_2 object_2 6
user_2 object_1 5
Je suis vraiment nouveau sur pyspark. Quelqu'un pourrait-il me donner un extrait de code ou un portail vers la documentation associée à ce problème? Grand merci!
Je crois que vous devez utiliser fonctions de la fenêtre pour atteindre le rang de chaque ligne en fonction de user_id
et score
, puis filtrez vos résultats pour ne conserver que les deux premières valeurs.
from pyspark.sql.window import Window
from pyspark.sql.functions import rank, col
window = Window.partitionBy(df['user_id']).orderBy(df['score'].desc())
df.select('*', rank().over(window).alias('rank'))
.filter(col('rank') <= 2)
.show()
#+-------+---------+-----+----+
#|user_id|object_id|score|rank|
#+-------+---------+-----+----+
#| user_1| object_1| 3| 1|
#| user_1| object_2| 2| 2|
#| user_2| object_2| 6| 1|
#| user_2| object_1| 5| 2|
#+-------+---------+-----+----+
En général, le guide officiel guide de programmation est un bon point de départ pour apprendre Spark.
rdd = sc.parallelize([("user_1", "object_1", 3),
("user_1", "object_2", 2),
("user_2", "object_1", 5),
("user_2", "object_2", 2),
("user_2", "object_2", 6)])
df = sqlContext.createDataFrame(rdd, ["user_id", "object_id", "score"])
Top-n est plus précis si vous utilisez row_number
Au lieu de rank
lorsque vous obtenez l'égalité de rang:
val n = 5
df.select(col('*'), row_number().over(window).alias('row_number')) \
.where(col('row_number') <= n) \
.limit(20) \
.toPandas()
Remarque
limit(20).toPandas()
astuce au lieu deshow()
pour les blocs-notes Jupyter pour une mise en forme plus agréable.
Je sais que la question est posée pour pyspark
et je cherchais une réponse similaire dans Scala
i.e.
Récupérer les n premières valeurs dans chaque groupe d'un DataFrame dans Scala
Voici la version scala
de la réponse de @ mtoto.
import org.Apache.spark.sql.expressions.Window
import org.Apache.spark.sql.functions.rank
import org.Apache.spark.sql.functions.col
val window = Window.partitionBy("user_id").orderBy('score desc)
val rankByScore = rank().over(window)
df1.select('*, rankByScore as 'rank).filter(col("rank") <= 2).show()
# you can change the value 2 to any number you want. Here 2 represents the top 2 values
Plus d'exemples peuvent être trouvés ici .