如何在PySpark中使用窗口函数？

Question

我正在尝试使用一些Windows函数(ntile和percentRank)作为数据框,但我不知道如何使用它们.

有人可以帮我这个吗？在Python API文档中没有关于它的示例.

具体来说,我试图在我的数据框中获取数字字段的分位数.

我正在使用spark 1.4.0.

Answer 1

为了能够使用窗口功能,您必须首先创建一个窗口.定义与普通SQL几乎相同,这意味着您可以定义顺序,分区或两者.首先让我们创建一些虚拟数据:

import numpy as np
np.random.seed(1)

keys = ["foo"] * 10 + ["bar"] * 10
values = np.hstack([np.random.normal(0, 1, 10), np.random.normal(10, 1, 100)])

df = sqlContext.createDataFrame([
   {"k": k, "v": round(float(v), 3)} for k, v in zip(keys, values)])

确保你正在使用HiveContext(Spark <2.0 only):

from pyspark.sql import HiveContext

assert isinstance(sqlContext, HiveContext)

创建一个窗口:

from pyspark.sql.window import Window

w =  Window.partitionBy(df.k).orderBy(df.v)

这相当于

(PARTITION BY k ORDER BY v) 

在SQL中.

根据经验,窗口定义应始终包含PARTITION BY子句,否则Spark会将所有数据移动到单个分区.ORDER BY某些功能需要,而在不同情况下(通常是聚合)可能是可选的.

还有两个可选项,可用于定义窗口跨度 - ROWS BETWEEN和RANGE BETWEEN.在这种特定情况下,这些对我们没用.

最后我们可以将它用于查询:

from pyspark.sql.functions import percentRank, ntile

df.select(
    "k", "v",
    percentRank().over(w).alias("percent_rank"),
    ntile(3).over(w).alias("ntile3")
)

注意,ntile它与分位数无关.