如何将 groupBy 和聚合函数应用于 PySpark DataFrame 中的特定窗口？

Question

我想将groupBy 和随后的agg 函数应用于 PySpark DataFrame，但仅限于特定窗口。这最好用一个例子来说明。假设我有一个名为 df 的数据集：

df.show()

    +-----+----------+----------+-------+
    |   ID| Timestamp| Condition|  Value|
    +-----+----------+----------+-------+
    |   z1|         1|         0|     50|
|-------------------------------------------|
|   |   z1|         2|         0|     51|   |
|   |   z1|         3|         0|     52|   |
|   |   z1|         4|         0|     51|   |
|   |   z1|         5|         1|     51|   |
|   |   z1|         6|         0|     49|   |
|   |   z1|         7|         0|     44|   |
|   |   z1|         8|         0|     46|   |
|-------------------------------------------|
    |   z1|         9|         0|     48|
    |   z1|        10|         0|     42|
 +-----+----------+----------+-------+

特别是，我想做的是将一种 +- 3 行的窗口应用于列 Condition == 1 所在的行（即在本例中为第 5 行）。在那个窗口中，如上面的DataFrame所示，我想找到Value列的最小值和Timestamp列的对应值，从而得到：

+----------+----------+
| Min_value| Timestamp|
+----------+----------+
|        44|         7|
+----------+----------+

有谁知道如何解决这个问题？

在此先感谢

马里奥安萨斯

Answer 1

您可以使用跨越前 3 行和后 3 行的窗口，获取最小值并过滤条件：

from pyspark.sql import functions as F, Window

df2 = df.withColumn(
    'min',
    F.min(
        F.struct('Value', 'Timestamp')
    ).over(Window.partitionBy('ID').orderBy('Timestamp').rowsBetween(-3,3))
).filter('Condition = 1').select('min.*')

df2.show()
+-----+---------+
|Value|Timestamp|
+-----+---------+
|   44|        7|
+-----+---------+