Найти количество строк в данной неделе в PySpark

Question

У меня есть фрейм данных PySpark, небольшая часть которого приведена ниже:

+------+-----+-------------------+-----+
|  name| type|          timestamp|score|
+------+-----+-------------------+-----+
| name1|type1|2012-01-10 00:00:00|   11|
| name1|type1|2012-01-10 00:00:10|   14|
| name1|type1|2012-01-10 00:00:20|    2|
| name1|type1|2012-01-10 00:00:30|    3|
| name1|type1|2012-01-10 00:00:40|   55|
| name1|type1|2012-01-10 00:00:50|   10|
| name5|type1|2012-01-10 00:01:00|    5|
| name2|type2|2012-01-10 00:01:10|    8|
| name5|type1|2012-01-10 00:01:20|    1|
|name10|type1|2012-01-10 00:01:30|   12|
|name11|type3|2012-01-10 00:01:40|  512|
+------+-----+-------------------+-----+

Для выбранного временного окна (скажем, окна 1 week), я хочу узнать, сколько значенийscore (скажем num_values_week) есть для каждого name. То есть сколько значений score существует для name1 между 2012-01-10 - 2012-01-16, затем между 2012-01-16 - 2012-01-23 и т. Д. (И то же самое для всех других имен, таких как name2 и т. Д.)

Я хочу привести эту информацию в новый фрейм данных PySpark, в котором будут столбцы name, type, num_values_week. Как я могу это сделать?

Приведенный выше кадр данных PySpark можно создать с помощью следующего фрагмента кода:

from pyspark.sql import *
import pyspark.sql.functions as F

df_Stats = Row("name", "type", "timestamp", "score")

df_stat1 = df_Stats('name1', 'type1', "2012-01-10 00:00:00", 11)
df_stat2 = df_Stats('name2', 'type2', "2012-01-10 00:00:00", 14)
df_stat3 = df_Stats('name3', 'type3', "2012-01-10 00:00:00", 2)
df_stat4 = df_Stats('name4', 'type1', "2012-01-17 00:00:00", 3)
df_stat5 = df_Stats('name5', 'type3', "2012-01-10 00:00:00", 55)
df_stat6 = df_Stats('name2', 'type2', "2012-01-17 00:00:00", 10)
df_stat7 = df_Stats('name7', 'type3', "2012-01-24 00:00:00", 5)
df_stat8 = df_Stats('name8', 'type2', "2012-01-17 00:00:00", 8)
df_stat9 = df_Stats('name1', 'type1', "2012-01-24 00:00:00", 1)
df_stat10 = df_Stats('name10', 'type2', "2012-01-17 00:00:00", 12)
df_stat11 = df_Stats('name11', 'type3', "2012-01-24 00:00:00", 512)

df_stat_lst = [df_stat1 , df_stat2, df_stat3, df_stat4, df_stat5, 
            df_stat6, df_stat7, df_stat8, df_stat9, df_stat10, df_stat11]
df = spark.createDataFrame(df_stat_lst)

Answer 1

Примерно так:

from pyspark.sql.functions import weekofyear, count

df = df.withColumn( "week_nr", weekofyear(df.timestamp) ) # create the week number first
result = df.groupBy(["week_nr","name"]).agg(count("score")) # for every week see how many rows there are