使用数据框的 Pyspark 子选择/子查询连接答案

【问题标题】：Pyspark subselect / subquery join using dataframes使用数据框的 Pyspark 子选择/子查询连接
【发布时间】：2021-03-02 05:32:26
【问题描述】：

我希望加入一个基于低于该值的最接近匹配的值。在 SQL 中，我可以很容易地做到这一点。考虑以下数据：

tblActuals

|Date       |Temperature:
|09/02/2020 |14.1
|10/02/2020 |15.3
|11/02/2020 |12.2
|12/02/2020 |12.4
|13/02/2020 |12.5
|14/02/2020 |11
|15/02/2020 |14.6

tbl系数：

|Metric |Coefficient
|10.5   |0.997825593
|11     |0.997825593
|11.5   |0.997663198
|12     |0.997307614
|12.5   |0.996848773
|13     |0.996468537
|13.5   |0.99638519
|14     |0.996726301
|14.5   |0.997435894
|15     |0.998311153
|15.5   |0.999135509

在 SQL 中，我可以通过以下方式实现加入：

Select 
    a.date, 
    b.temperature, 
    (select top 1 b.Coefficient from tblCoefficients b where b.Metric <= a.Temperature order by b.Metric desc) as coefficient 
from tblActuals

有没有什么方法可以通过两个 pyspark 数据帧中的数据实现与上述相同的效果？我可以在 spark SQL 中获得类似的结果，但我需要数据帧的灵活性来实现我在数据块中创建的过程。

【问题讨论】：

标签： python dataframe apache-spark pyspark

【解决方案1】：

您可以进行连接并获得最大（最接近）指标的系数：

import pyspark.sql.functions as F

result = tblActuals.join(
    tblCoefficients,
    tblActuals['Temperature'] >= tblCoefficients['Metric']
).groupBy(tblActuals.columns).agg(
    F.max(F.struct('Metric', 'Coefficient'))['Coefficient'].alias('coefficient')
)

result.show()
+----------+-----------+-----------+
|      Date|Temperature|coefficient|
+----------+-----------+-----------+
|15/02/2020|       14.6|0.997435894|
|12/02/2020|       12.4|0.997307614|
|14/02/2020|       11.0|0.997825593|
|13/02/2020|       12.5|0.996848773|
|11/02/2020|       12.2|0.997307614|
|10/02/2020|       15.3|0.998311153|
|09/02/2020|       14.1|0.996726301|
+----------+-----------+-----------+

【讨论】：