Groupby 和 collect_list 基于 PySpark 中的另一列维护顺序答案

【问题标题】：Groupby and collect_list maintaining order based on another column in PySparkGroupby 和 collect_list 基于 PySpark 中的另一列维护顺序
【发布时间】：2020-01-17 07:04:15
【问题描述】：

我有一个像这样的 PySpark 数据框，

+----------+------------+------------+------------+
|   Name   |  dateCol1  |  dateCol2  |  dateCol3  |
+----------+------------+------------+------------+
| user1    | 2018-01-01 | 2018-01-10 | 2018-01-01 |
| user1    | 2018-01-11 | 2018-01-20 | 2018-01-01 |
| user2    | 2018-01-11 | 2018-01-20 | 2018-01-11 |
| user1    | 2019-01-21 | 2018-01-30 | 2018-01-01 |
+----------+------------+------------+------------+

我想根据键、dateCol1 和 dateCol2 以及列名称上的 collect_list 对这个数据集进行分组。为此，我正在使用代码，

spark_df.groupBy('dateCol1', 'dateCol2').agg(F.collect_list('Name'))

在收集要列出的列时，我还想根据列 dateCol3 维护值的顺序。

例如，我想确保对于dateCol1 == '2018-01-11' 和dateCol2 == '2018-01-20'，收集到列表我将始终得到[user1, user2]（基于dateCol3 的顺序）。

数据帧所需的输出是，

+------------+------------+----------------+
|  dateCol1  |  dateCol2  |    List        |
+------------+------------+----------------+
| 2018-01-01 | 2018-01-10 | [user1]        |
| 2018-01-11 | 2018-01-20 | [user1, user2] |
| 2019-01-21 | 2018-01-30 | [user1]        |
+------------+------------+----------------+

collect_list 默认情况下不会保持顺序，如何确保收集的列表是基于数据框中的另一个外部列排序的？

【问题讨论】：

@YOLO，我想在collect_list基于dateCol3创建列表时保持顺序。根据 dateCol3 然后 collect_list 对数据框进行排序不一致。

标签： python pyspark

【解决方案1】：

你可以试试：

spark_df.orderBy('dateCol3', ascending=True).groupBy('dateCol1', 'dateCol2').agg(F.collect_list('Name'))

或者，虽然有点矫枉过正，但您可以使用窗口化：

from pyspark.sql import Window as w

spark_df.select('dateCol1', 'dateCol2', F.collect_list('Name').over(w.partitionBy(['dateCol1','dateCol2']).orderBy(F.col('dateCol3'))).alias('Name')).distinct()

【讨论】：

我正在寻找基于窗口的方法。我猜基于 dateCol3 的分区和排序将确保按顺序收集列表。不是吗？
是的，正是这个想法。
解决方案几乎是正确的，但获得了额外的行。 distinct 不会删除某些行。我想知道我是否可以在 groupBy 中对 collect_list 进行分区和排序。否则，我必须再次使用窗口并 dropDuplicates 保持顺序的键
是的，你可以把它放在.groupBy(...) 之后.select(...) - 这也可以。但是我认为 distinct() 应该为您做，除非您有更多的列要添加到那里和/或更多的转换