确保 PySpark 数组中相邻元素之间的差异大于给定的最小值

Question

我有一个包含三列的 PySpark 数据框 (df)。

1。 category：一些字符串

2。 startTimeArray : 它是一个包含按升序排列的时间戳的数组。

3。 endTimeArray : 它是一个包含按升序排列的时间戳的数组。

在每一行中，startTimeArray 中的数组长度与endTimeArray 中的数组长度相同。对于这些数组中的每个索引，startTimeArray 中给出的时间戳小于（发生在前一个日期）endTimeArray 中相应的（相同索引）时间戳。

在startTimeArray 列（和endTimeArray 列）中，数组的长度可以不同。

以下是数据框的示例：

+--------+---------------------------------------------------------------------------------------------------------+---------------------------------------------------------------------------------------------------------+
|category|startTimeArray                                                                                           |endTimeArray                                                                                             |
+--------+---------------------------------------------------------------------------------------------------------+---------------------------------------------------------------------------------------------------------+
|a       |[2019-01-10 00:00:00, 2019-01-12 00:00:00, 2019-01-16 00:00:00, 2019-01-20 00:00:00]                     |[2019-01-11 00:00:00, 2019-01-15 00:00:00, 2019-01-18 00:00:00, 2019-01-22 00:00:00]                     |
|a       |[2019-03-11 00:00:00, 2019-03-18 00:00:00, 2019-03-20 00:00:00, 2019-03-25 00:00:00, 2019-03-27 00:00:00]|[2019-03-16 00:00:00, 2019-03-19 00:00:00, 2019-03-23 00:00:00, 2019-03-26 00:00:00, 2019-03-30 00:00:00]|
|b       |[2019-01-14 00:00:00, 2019-01-16 00:00:00, 2019-02-22 00:00:00]                                          |[2019-01-15 00:00:00, 2019-01-18 00:00:00, 2019-02-25 00:00:00]                                          |
+--------+---------------------------------------------------------------------------------------------------------+---------------------------------------------------------------------------------------------------------+

在每一行中，在列 startTimeArray 中，我想确保数组中连续元素（连续索引处的元素）之间的差异至少为三天。如果startTimeArray 中的一行有n 元素，我愿意删除数组中的条目，但第一个条目除外。此外，如果从startTimeArray 的行中删除索引i 处的元素，我希望从endTimeArray 的同一行中删除索引i-1 处的元素。**

如何使用 PySpark 完成这项任务？

有几点我们需要注意：

1. 如果startTimeArray 中的数组有一个元素，我们就让它在那里。

2. 我意识到这个任务可以通过删除startTimeArray中数组中第一个元素之后的所有元素来实现。那将是微不足道的情况。但我想通过尽可能少的删除来完成任务。

对于上面给出的示例数据框df，以下是我想要的输出。

+--------+---------------------------------------------------------------+---------------------------------------------------------------+
|category|startTimeArray                                                 |endTimeArray                                                   |
+--------+---------------------------------------------------------------+---------------------------------------------------------------+
|a       |[2019-01-10 00:00:00, 2019-01-16 00:00:00, 2019-01-20 00:00:00]|[2019-01-15 00:00:00, 2019-01-18 00:00:00, 2019-01-22 00:00:00]|
|a       |[2019-03-11 00:00:00, 2019-03-18 00:00:00, 2019-03-25 00:00:00]|[2019-03-16 00:00:00, 2019-03-23 00:00:00, 2019-03-30 00:00:00]|
|b       |[2019-01-14 00:00:00, 2019-02-22 00:00:00]                     |[2019-01-18 00:00:00, 2019-02-25 00:00:00]                     |
+--------+---------------------------------------------------------------+---------------------------------------------------------------+

Answer 1

用户定义函数 (UDF) 可以完成这项工作。虽然它比原生 Spark sql 函数有性能损失，但它清楚地表达了所需的操作。

from datetime import date, timedelta

from pyspark.sql.functions import *
from pyspark.sql.types import *

d = [date(2019, 1, d) for d in (10, 12, 16, 20)]
e = [date(2019, 1, d) for d in (11, 15, 18, 22)]
f = [date(2019, 3, d) for d in (11, 18, 20, 25, 27)]
g = [date(2019, 3, d) for d in (16, 19, 23, 26, 30)]
h = [date(2019, 1, 14), date(2019, 1, 16), date(2019, 2, 22)]
i = [date(2019, 1, 15), date(2019, 1, 18), date(2019, 2, 25)]

df = spark.createDataFrame((("a", d, e), ("a", f, g), ("b", h, i)),
                           schema=("category", "startDates", "endDates"))


@udf(returnType=ArrayType(ArrayType(DateType())))
def retain_dates_n_days_apart(startDates, endDates, min_apart=3):
    start_dates = [startDates[0]]
    end_dates = []
    for start, end in zip(startDates[1:], endDates):
        if start >= start_dates[-1] + timedelta(days=min_apart):
            start_dates.append(start)
            end_dates.append(end)
    end_dates.append(endDates[-1])
    return start_dates, end_dates


df2 = (df
       .withColumn("foo",
                   retain_dates_n_days_apart(df.startDates,
                                             df.endDates))
       .cache())

(df2.withColumn("startDates", df2.foo.getItem(0))
 .withColumn("endDates", df2.foo.getItem(1))
 .drop("foo")
 ).show(truncate=False)
# +--------+------------------------------------+------------------------------------+
# |category|startDates                          |endDates                            |
# +--------+------------------------------------+------------------------------------+
# |a       |[2019-01-10, 2019-01-16, 2019-01-20]|[2019-01-15, 2019-01-18, 2019-01-22]|
# |a       |[2019-03-11, 2019-03-18, 2019-03-25]|[2019-03-16, 2019-03-23, 2019-03-30]|
# |b       |[2019-01-14, 2019-02-22]            |[2019-01-18, 2019-02-25]            |
# +--------+------------------------------------+------------------------------------+