Pysparkを使用して、sparkデータフレームをグループ化し、グループをソートして、行番号を提供できるようにしたいと考えています。したがって、
Group Date
A 2000
A 2002
A 2007
B 1999
B 2015
なるだろう
Group Date row_num
A 2000 0
A 2002 1
A 2007 2
B 1999 0
B 2015 1
ウィンドウ関数を使用:
from pyspark.sql.window import *
from pyspark.sql.functions import row_number
df.withColumn("row_num", row_number().over(Window.partitionBy("Group").orderBy("Date")))
受け入れられた解決策はそれをほぼ正しくしています。質問で要求された出力に基づく解決策は次のとおりです。
df = spark.createDataFrame([("A", 2000), ("A", 2002), ("A", 2007), ("B", 1999), ("B", 2015)], ["Group", "Date"])
+-----+----+
|Group|Date|
+-----+----+
| A|2000|
| A|2002|
| A|2007|
| B|1999|
| B|2015|
+-----+----+
# accepted solution above
from pyspark.sql.window import *
from pyspark.sql.functions import row_number
df.withColumn("row_num", row_number().over(Window.partitionBy("Group").orderBy("Date")))
# accepted solution above output
+-----+----+-------+
|Group|Date|row_num|
+-----+----+-------+
| B|1999| 1|
| B|2015| 2|
| A|2000| 1|
| A|2002| 2|
| A|2007| 3|
+-----+----+-------+
ご覧のとおり、関数row_numberは0ではなく1から始まり、リクエストされた質問はrow_numを0から始めたいと思っていました。以下のような簡単な変更:
df.withColumn("row_num", row_number().over(Window.partitionBy("Group").orderBy("Date"))-1).show()
出力:
+-----+----+-------+
|Group|Date|row_num|
+-----+----+-------+
| B|1999| 0|
| B|2015| 1|
| A|2000| 0|
| A|2002| 1|
| A|2007| 2|
+-----+----+-------+
次に、「グループ」列を任意の順序で並べ替えることができます。上記の解決策はほとんどそれを持っていますが、row_numberは0ではなく1で始まることを覚えておくことが重要です。