web-dev-qa-db-ja.com

pysparkを使用していくつかのフィールドでグループ化された特定のデータセットからmax（date）を取得する方法は？

私は次のようにデータフレームにデータを持っています：

  datetime             | userId | memberId | value |    
2016-04-06 16:36:...   | 1234   | 111      | 1
2016-04-06 17:35:...   | 1234   | 222      | 5
2016-04-06 17:50:...   | 1234   | 111      | 8
2016-04-06 18:36:...   | 1234   | 222      | 9
2016-04-05 16:36:...   | 4567   | 111      | 1
2016-04-06 17:35:...   | 4567   | 222      | 5
2016-04-06 18:50:...   | 4567   | 111      | 8
2016-04-06 19:36:...   | 4567   | 222      | 9

Max（datetime）groupby userid、memberidを見つける必要があります。私が以下のように試したとき：

df2 = df.groupBy('userId','memberId').max('datetime')

次のようにエラーが発生しています：

org.Apache.spark.sql.AnalysisException: "datetime" is not a numeric
column. Aggregation function can only be applied on a numeric column.;

必要な出力は次のとおりです。

userId | memberId | datetime
1234   |  111     | 2016-04-06 17:50:...
1234   |  222     | 2016-04-06 18:36:...
4567   |  111     | 2016-04-06 18:50:...
4567   |  222     | 2016-04-06 19:36:...

PySparkデータフレームを使用して、指定されたデータの最大日付を取得する方法を誰か助けてくれますか？

sqlapache-sparkpysparkapache-spark-sqlpyspark-sql
16
cool716

数値ではないがOrderable型の場合、aggをmaxと直接使用できます。

from pyspark.sql.functions import col, max as max_

df = sc.parallelize([
    ("2016-04-06 16:36", 1234, 111, 1),
    ("2016-04-06 17:35", 1234, 111, 5),
]).toDF(["datetime", "userId", "memberId", "value"])

(df.withColumn("datetime", col("datetime").cast("timestamp"))
    .groupBy("userId", "memberId")
    .agg(max_("datetime")))

## +------+--------+--------------------+
## |userId|memberId|       max(datetime)|
## +------+--------+--------------------+
## |  1234|     111|2016-04-06 17:35:...|
## +------+--------+--------------------+
24
zero323