Добавьте столбец с днем ​​взаимодействия в рамках темы в pyspark

Question

У меня есть большой фрейм данных pyspark, содержащий данные о взаимодействии пользователей за многолетний период. Есть много столбцов, но три полезных для этого вопроса: userid, interaction_date и interaction_timestamp. Предположим, есть несколько записей для данного пользователя в таблице.

Мне нужно написать функцию для добавления столбца, который будет указывать количество дней до последних наблюдаемых взаимодействий для данного клиента в таблице. Например, для входной таблицы

Я хотел бы добавить столбец, который отсчитывает от самой последней даты взаимодействия для этого пользователя (например,самая последняя дата взаимодействия - 1, следующая самая предыдущая дата взаимодействия - 2 и т. д.):

Может кто-нибудь направить меня кправильный способ сделать это?

Answer 1

Этого можно добиться с помощью окна , например dens_rank . Посмотрите на комментарии ниже:

from pyspark.sql.window import Window
import pyspark.sql.functions as F

cols = ['userid','interaction_timestamp']
data =[( '1'        ,'2018-01-02' ),
( '2'        , '2018-01-03' ),
( '1'        , '2018-01-03' ),
( '1'        , '2018-01-04' ),
( '2'        , '2018-01-02' ),
( '3'        , '2018-01-03' ),
( '4'        , '2018-01-03' )]

df = spark.createDataFrame(data, cols)

df = df.withColumn('interaction_timestamp', F.to_date('interaction_timestamp', 'yyyy-MM-dd'))

#rows with the same userid become part of the the same partition
#these partitions will be ordered descending by interaction_timestamp
w = Window.partitionBy('userid').orderBy(F.desc('interaction_timestamp'))

#dense_rank will assign a number to each row according to the defined order
df.withColumn("interaction_date_order", F.dense_rank().over(w)).show()

Вывод:

+------+---------------------+----------------------+ 
|userid|interaction_timestamp|interaction_date_order| 
+------+---------------------+----------------------+ 
|     3|           2018-01-03|                     1| 
|     1|           2018-01-04|                     1| 
|     1|           2018-01-03|                     2| 
|     1|           2018-01-02|                     3| 
|     4|           2018-01-03|                     1| 
|     2|           2018-01-03|                     1| 
|     2|           2018-01-02|                     2|
+------+---------------------+----------------------+