как объединить строки в dataFrame на основе условия в pyspark - PullRequest
Новая
       45

как объединить строки в dataFrame на основе условия в pyspark

0 голосов
/ 29 августа 2018

Мне нужно обработать фрейм данных, содержащий логи (вход и выход) для приложения Данные приведены ниже: 

USER | DATETIME        | IN_OUT
---------------------------------
0002  2018/08/28 12:00   IN

0002  2018/08/28 12:20   OUT

0003  2018/08/28 13:00   IN

0003  2018/08/28 14:20   OUT

0003  2018/08/28 15:00   IN

0003  2018/08/28 16:00   OUT

Как можно объединить строки, содержащие 2 сеанса, для получения 

USER | DATETIMEIN       | DATETIMEOUT        | SESSIONTIME[Minutes]
-------------------------------------------------------
0002    2018/08/28 12:00   2018/08/28 12:20        20

0003    2018/08/28 13:00   2018/08/28 14:30        90

0003    2018/08/28 15:00   2018/08/28 16:00        60

1 Ответ

0 голосов
/ 04 сентября 2018

если вы можете быть уверены, что за IN всегда следует событие OUT, вы можете использовать следующий код (я включил проверку IN и OUT, но он не будет работать, если IN и OUT не чередуются). 

from pyspark.sql.window import Window as W
test_df = spark.createDataFrame([
    (2,datetime.datetime(2018,8,28,12,00), "IN"),(2,datetime.datetime(2018,8,28,12,20), "OUT"),(3,datetime.datetime(2018,8,28,13,00), "IN"),(3,datetime.datetime(2018,8,28,14,20), "OUT"),(3,datetime.datetime(2018,8,28,15,00), "IN"),(3,datetime.datetime(2018,8,28,16,00), "OUT")
    ], ("USER", "DATETIME", "IN_OUT")) # creation of Dataframe

w = W.partitionBy("USER").orderBy("DATETIME") #order by datetime and process every user separately
get_in= when((lag("IN_OUT", 1).over(w) == "IN") & (col("IN_OUT")=="OUT"), lag("DATETIME",1).over(w)).otherwise(None) # apply the window and if the previous event was IN preserve the time

test_df.withColumn("DATETIMEIN",get_in.cast("timestamp")).withColumn("DATETIMEOUT",col("DATETIME")).filter((col("DATETIMEIN").isNotNull())).withColumn("SESSIONTIME[Minutes]",(col("DATETIME").cast("long")-col("DATETIMEIN").cast("long"))/60).select("USER","DATETIMEIN", "DATETIMEOUT", "SESSIONTIME[Minutes]").show() #apply the function and compute the difference to previous IN_TIME

Результат: 

+----+-------------------+-------------------+--------------------+
|USER|         DATETIMEIN|        DATETIMEOUT|SESSIONTIME[Minutes]|
+----+-------------------+-------------------+--------------------+
|   3|2018-08-28 13:00:00|2018-08-28 14:20:00|                80.0|
|   3|2018-08-28 15:00:00|2018-08-28 16:00:00|                60.0|
|   2|2018-08-28 12:00:00|2018-08-28 12:20:00|                20.0|
+----+-------------------+-------------------+--------------------+
...