连续行之间的日期差异 - Pyspark Dataframe

Jos*_*emy 7 python apache-spark pyspark pyspark-sql

我有一个具有以下结构的表

USER_ID     Tweet_ID                 Date
  1           1001       Thu Aug 05 19:11:39 +0000 2010
  1           6022       Mon Aug 09 17:51:19 +0000 2010
  1           1041       Sun Aug 19 11:10:09 +0000 2010
  2           9483       Mon Jan 11 10:51:23 +0000 2012
  2           4532       Fri May 21 11:11:11 +0000 2012
  3           4374       Sat Jul 10 03:21:23 +0000 2013
  3           4334       Sun Jul 11 04:53:13 +0000 2013
Run Code Online (Sandbox Code Playgroud)

基本上我想要做的是有一个PysparkSQL查询,它计算具有相同user_id号的连续记录的日期差异(以秒为单位).预期结果将是:

1      Sun Aug 19 11:10:09 +0000 2010 - Mon Aug 09 17:51:19 +0000 2010     839930
1      Mon Aug 09 17:51:19 +0000 2010 - Thu Aug 05 19:11:39 +0000 2010     340780
2      Fri May 21 11:11:11 +0000 2012 - Mon Jan 11 10:51:23 +0000 2012     1813212
3      Sun Jul 11 04:53:13 +0000 2013 - Sat Jul 10 03:21:23 +0000 2013     5510
Run Code Online (Sandbox Code Playgroud)

Jos*_*emy 7

另一种方式可能是:

df.withColumn("time_intertweet",(df.date.cast("bigint") - lag(df.date.cast("bigint"), 1)
.over(Window.partitionBy("user_??id")
.orderBy("date")??))
.cast("bigint"))
Run Code Online (Sandbox Code Playgroud)


LeP*_*ppy 5

编辑感谢@cool_kid

@Joesemy 的回答非常好,但对我不起作用,因为 cast("bigint") 引发了错误。所以我以这种方式使用了pyspark.sql.functions 模块中的datediff函数并且它起作用了:

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

df.withColumn("time_intertweet", datediff(df.date, lag(df.date, 1)
    .over(Window.partitionBy("user_??id")
    .orderBy("date")??)))
Run Code Online (Sandbox Code Playgroud)

  • 这不会按照要求计算日期差异**以秒**为单位,而是以天为单位:https://spark.apache.org/docs/2.1.0/api/python/pyspark.sql.html#pyspark。 sql.functions.datediff (2认同)