根据其他列比较PySpark数据框的某些列?

如何解决根据其他列比较PySpark数据框的某些列?

假设我有一个pyspark数据框(df1),其中包含一些用户的信息,如下所示:

+--------+--------+--------+--------+
|user_id |event_id|code    |City    |
+--------+--------+--------+--------+
|   user1| event1 | ABC    | LA     |
|   user1| event2 | ABC    | NYC    |
|   user2| event3 | DEF    | LA     |
|   user2| event4 | GHK    | LA     |
|   user3| event5 | DEF    | NYC    |
|   user3| event6 | DEF    | NYC    |
|   user3| event7 | ABC    | LA    |
+--------+--------+--------+--------+

在此数据框中,我们有重复的user_id,但event_id在整个数据集中是唯一的。另外,每个用户的代码和城市可以相同或不同。我也有另一个基于上表的pyspark数据框(df2),如下所示:

+----------+----------+------------+
|event_id1 |event_id2 | user_match |
+----------+----------+------------+
| event1   | event2   | Ture       |
| event1   | event4   | False      |
| event2   | event3   | False      |
| event2   | event7   | False      |
| event5   | event6   | True       |
| event6   | event1   | False      |
+----------+----------+------------+

如您所见,我没有所有组合。目标是通过这种方式根据用户的代码和城市提取特征(以检测用户):

+----------+----------+------------+--------+--------+
|event_id1 |event_id2 | user_match |code    |City    |
+----------+----------+------------+--------+--------+
| event1   | event2   | Ture       | Ture   | False  |
| event1   | event4   | False      | False  | Ture   |
| event2   | event3   | False      | False  | False  |
| event2   | event7   | False      | Ture   | False  |
| event5   | event6   | True       | Ture   | Ture   |
| event6   | event1   | False      | False  | False  |
+----------+----------+------------+--------+--------+

我在PySpark中使用Pandas实现了这一点。但是我不知道如何仅使用PySpark API编写它:

%spark2.pyspark

# select all or part of train pairs
num_train_samples = pdf2.shape[0]
feats_train_array = pdf2[0:num_train_samples]

# define a temp array
feats = np.zeros((num_train_samples,1))

# list of feats
#
feats_titles = ["code","City"]
                
# extract features
#
for ft in feats_titles:
    fvar = ft
    for i in range(num_train_samples):
    
        # read rows related to pairs
        info_pair0 = pdf1.loc[pdf1['eventId'] == pdf2[i][0]]
        info_pair1 = pdf1.loc[pdf1['eventId'] == pdf2[i][1]]
    
        # compare values
        feats_pair0 = (info_pair0[fvar].reset_index(drop=True)).iloc[0]
        feats_pair1 = (info_pair1[fvar].reset_index(drop=True)).iloc[0]
        if (feats_pair0==feats_pair1):
            feats[i] = 1
        else:
            feats[i] = 0
    feats_train_array = np.append(feats_train_array,feats,axis=1)

我认为这是使用PySpark API的简单代码,但我无法弄清楚。

解决方法

嗯,我不知道这更简单,但是您可以做到这一点。

from pyspark.sql.functions import *

df1 = spark.read.option("header","true").option("inferSchema","true").csv("test1.csv")
df2 = spark.read.option("header","true").csv("test2.csv") \
  .withColumn('user_match',col('user_match').cast('boolean'))

df2.join(df1.withColumnRenamed('event_id','event_id1').drop('user_id').alias('a'),['event_id1'],'inner') \
   .join(df1.withColumnRenamed('event_id','event_id2').drop('user_id').alias('b'),['event_id2'],'inner') \
   .withColumn('code_match',when(expr('a.code = b.code'),True).otherwise(False)) \
   .withColumn('city_match',when(expr('a.City = b.City'),True).otherwise(False)) \
   .select(*df2.columns,'code_match','city_match').show()

+---------+---------+----------+----------+----------+
|event_id1|event_id2|user_match|code_match|city_match|
+---------+---------+----------+----------+----------+
|   event1|   event2|      true|      true|     false|
|   event1|   event4|     false|     false|      true|
|   event2|   event3|     false|     false|     false|
|   event2|   event7|     false|      true|     false|
|   event5|   event6|      true|      true|      true|
|   event6|   event1|     false|     false|     false|
+---------+---------+----------+----------+----------+

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 <select id="xxx"> SELECT di.id, di.name, di.work_type, di.updated... <where> <if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 <property name="dynamic.classpath" value="tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams['font.sans-serif'] = ['SimHei'] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -> systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping("/hires") public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate<String
使用vite构建项目报错 C:\Users\ychen\work>npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-