PySpark 中的列过滤答案

【问题标题】：Column filtering in PySparkPySpark 中的列过滤
【发布时间】：2015-07-14 07:19:51
【问题描述】：

我有一个从 Hive 表加载的数据框df，它有一个时间戳列，比如ts，格式为dd-MMM-yy hh.mm.ss.MS a 的字符串类型（转换为python 日期时间库，这是%d-%b-%y %I.%M.%S.%f %p）。

现在我想从数据框中筛选出过去五分钟的行：

only_last_5_minutes = df.filter(
    datetime.strptime(df.ts, '%d-%b-%y %I.%M.%S.%f %p') > datetime.now() - timedelta(minutes=5)
)

但是，这不起作用，我收到此消息

TypeError: strptime() argument 1 must be string, not Column

看起来我对列操作的应用有误，在我看来，我必须创建一个 lambda 函数来过滤满足所需条件的每一列，但作为 Python 和 lambda 表达式的新手，我没有不知道如何正确创建我的过滤器。请指教。

附：我更喜欢将我的过滤器表示为 Python 本机（或 SparkSQL），而不是 Hive sql 查询表达式“WHERE”中的过滤器。

首选：

df = sqlContext.sql("SELECT * FROM my_table")
df.filter( // filter here)

不喜欢：

df = sqlContext.sql("SELECT * FROM my_table WHERE...")

【问题讨论】：

标签： python lambda apache-spark apache-spark-sql pyspark

【解决方案1】：

火花 >= 1.5

从 Spark 1.5 开始，您可以按如下方式解析日期字符串：

from pyspark.sql.functions import expr, from_unixtime, lit, unix_timestamp
from pyspark.sql.types import TimestampType

parsed_df = df.select((from_unixtime(unix_timestamp(
    # Note: am-pm: pattern length should be 1 for Spark >= 3.0
    df.datetime, "dd-MMM-yy h.mm.ss.SSSSSS a"  
))).cast(TimestampType()).alias("datetime"))

parsed_df.where(col("datetime") >= lit(now) - expr("INTERVAL 5 minutes"))

然后应用间隔：

from pyspark.sql.functions import current_timestamp, expr

火花

可以使用用户自定义函数。

from datetime import datetime, timedelta
from pyspark.sql.types import BooleanType, TimestampType
from pyspark.sql.functions import udf, col

def in_last_5_minutes(now):
    def _in_last_5_minutes(then):
        then_parsed = datetime.strptime(then, '%d-%b-%y %I.%M.%S.%f %p')
        return then_parsed > now - timedelta(minutes=5)
    return udf(_in_last_5_minutes, BooleanType())

使用一些虚拟数据：

df = sqlContext.createDataFrame([
    (1, '14-Jul-15 11.34.29.000000 AM'),
    (2, '14-Jul-15 11.34.27.000000 AM'),
    (3, '14-Jul-15 11.32.11.000000 AM'),
    (4, '14-Jul-15 11.29.00.000000 AM'),
    (5, '14-Jul-15 11.28.29.000000 AM')
], ('id', 'datetime'))

now = datetime(2015, 7, 14, 11, 35)
df.where(in_last_5_minutes(now)(col("datetime"))).show()

正如预期的那样，我们只得到 3 个条目：

+--+--------------------+
|id|            datetime|
+--+--------------------+
| 1|14-Jul-15 11.34.2...|
| 2|14-Jul-15 11.34.2...|
| 3|14-Jul-15 11.32.1...|
+--+--------------------+

重新解析日期时间字符串效率相当低，因此您可以考虑存储TimestampType。

def parse_dt():
    def _parse(dt):
        return datetime.strptime(dt, '%d-%b-%y %I.%M.%S.%f %p')
    return udf(_parse, TimestampType())

df_with_timestamp = df.withColumn("timestamp", parse_dt()(df.datetime))

def in_last_5_minutes(now):
    def _in_last_5_minutes(then):
        return then > now - timedelta(minutes=5)
    return udf(_in_last_5_minutes, BooleanType())

df_with_timestamp.where(in_last_5_minutes(now)(col("timestamp")))

结果：

+--+--------------------+--------------------+
|id|            datetime|           timestamp|
+--+--------------------+--------------------+
| 1|14-Jul-15 11.34.2...|2015-07-14 11:34:...|
| 2|14-Jul-15 11.34.2...|2015-07-14 11:34:...|
| 3|14-Jul-15 11.32.1...|2015-07-14 11:32:...|
+--+--------------------+--------------------+

终于可以使用带有时间戳的原始 SQL 查询了：

query = """SELECT * FROM df
     WHERE unix_timestamp(datetime, 'dd-MMM-yy HH.mm.ss.SSSSSS a') > {0}
     """.format(time.mktime((now - timedelta(minutes=5)).timetuple()))

sqlContext.sql(query)

同上，一次解析日期字符串会更高效。

如果列已经是timestamp，则可以使用datetime 文字：

from pyspark.sql.functions import lit

df_with_timestamp.where(
    df_with_timestamp.timestamp > lit(now - timedelta(minutes=5)))

【讨论】：

【解决方案2】：

from pyspark.sql.functions import *
df.withColumn("seconds_from_now", current_timestamp() - col("ts").cast("long"))
df = df.filter(df.seconds_from_now <= 5*60).drop("seconds_from_now")

df 是包含最后五分钟结果的结果数据框。

【讨论】：