如何在pyspark中按有序分类变量创建和排序答案

【问题标题】：how to create & sort by an ordered categorical variable in pyspark如何在pyspark中按有序分类变量创建和排序
【发布时间】：2020-05-26 05:21:14
【问题描述】：

我正在将一些代码从 pandas 迁移到 pyspark。我的源数据框如下所示：

   a         b  c
0  1    insert  1
1  2    update  1
2  3      seed  1
3  4    insert  2
4  5    update  2
5  6    delete  2
6  7  snapshot  1

我正在应用的操作（在 python / pandas 中）是：

df.b = pd.Categorical(df.b, ordered=True, categories=['insert', 'seed', 'update', 'snapshot', 'delete'])    
df.sort_values(['c', 'b'])

导致输出数据框：

   a         b  c
0  1    insert  1
2  3      seed  1
1  2    update  1
6  7  snapshot  1
3  4    insert  2
4  5    update  2
5  6    delete  2

我不确定如何最好地使用 pyspark 设置有序分类，我最初的方法是使用 case-when 创建一个新列并随后尝试使用它：

df = df.withColumn(
    "_precedence",
    when(col("b") == "insert", 1)
    .when(col("b") == "seed", 2)
    .when(col("b") == "update", 3)
    .when(col("b") == "snapshot", 4)
    .when(col("b") == "delete", 5)
)

【问题讨论】：

标签： dataframe pyspark categorical-data

【解决方案1】：

您可以使用地图：

from pyspark.sql.functions import create_map, lit, col

categories=['insert', 'seed', 'update', 'snapshot', 'delete']

# per @HaleemurAli, adjusted the below list comprehension to create map
map1 = create_map([val for (i, c) in enumerate(categories) for val in (c, lit(i))])
#Column<b'map(insert, 0, seed, 1, update, 2, snapshot, 3, delete, 4)'>

df.orderBy('c', map1[col('b')]).show()
+---+---+--------+---+
| id|  a|       b|  c|
+---+---+--------+---+
|  0|  1|  insert|  1|
|  2|  3|    seed|  1|
|  1|  2|  update|  1|
|  6|  7|snapshot|  1|
|  3|  4|  insert|  2|
|  4|  5|  update|  2|
|  5|  6|  delete|  2|
+---+---+--------+---+

要颠倒 b 列的顺序：df.orderBy('c', map1[col('b')].desc()).show()

【讨论】：

谢谢，虽然我希望能像在 pandas 中一样在本地创建有序分类，但这可能与我们今天将得到的一样接近。 sum 取消嵌套列表很慢，不被认为是好的做法，因此我将其替换为 [val for (i, c) in enumerate(categories) for val in (c, lit(i))]。您能否为未来的读者更新您的答案。

【解决方案2】：

您也可以使用 coalesce 和您的 when statements 来执行此操作。

from pyspark.sql import functions as F

categories=['insert', 'seed', 'update', 'snapshot', 'delete']

cols=[(F.when(F.col("b")==x,F.lit(y))) for x,y in zip(categories,[x for x in (range(1, len(categories)+1))])]

df.orderBy("c",F.coalesce(*cols)).show()

#+---+--------+---+
#|  a|       b|  c|
#+---+--------+---+
#|  1|  insert|  1|
#|  3|    seed|  1|
#|  2|  update|  1|
#|  7|snapshot|  1|
#|  4|  insert|  2|
#|  5|  update|  2|
#|  6|  delete|  2|
#+---+--------+---+

【讨论】：