Как выбрать только тот идентификатор, который имеет хотя бы одну запись в день?

Question

Я просыпаюсь на pyspark в python3, и у меня есть pyspark.sql.DataFrame как следующий:

df.show()
+--------------------+----+----+---------+----------+---------+----------+---------+
|                  ID|Code|bool|      lat|       lon|       v1| timestamp|       v3|
+--------------------+----+----+---------+----------+---------+----------+---------+
|5ac52674ffff34c98...|IDFA|   1|42.377167| -71.06994|17.422535|1525319638|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37747|-71.069824|17.683573|1525319639|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37757| -71.06942|22.287935|1525319640|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37761| -71.06943|19.110023|1525319641|36.853622|
|5ac52674ffff34c98...|IDFA|   1|42.377243| -71.06952|18.904774|1525319642|36.853622|
|5ac52674ffff34c98...|IDFA|   1|42.378254| -71.06948|20.772903|1525319643|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37801| -71.06983|18.084948|1525319644|36.853622|
|5ac52674ffff34c98...|IDFA|   1|42.378693| -71.07033| 15.64326|1525319645|36.853622|
|5ac52674ffff34c98...|IDFA|   1|42.378723|-71.070335|21.093477|1525319646|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37868| -71.07034|21.851894|1525319647|36.853622|
|5ac52674ffff34c98...|IDFA|   1|42.378716| -71.07029|20.583202|1525319648|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37872| -71.07067|19.738768|1525319649|36.853622|
|5ac52674ffff34c98...|IDFA|   1|42.379112| -71.07097|20.480911|1525319650|36.853622|
|5ac52674ffff34c98...|IDFA|   1| 42.37952|  -71.0708|20.526752|1525319651| 44.93808|
|5ac52674ffff34c98...|IDFA|   1| 42.37902| -71.07056|20.534052|1525319652| 44.93808|
|5ac52674ffff34c98...|IDFA|   1|42.380203|  -71.0709|19.921381|1525319653| 44.93808|
|5ac52674ffff34c98...|IDFA|   1| 42.37968|-71.071144| 20.12599|1525319654| 44.93808|
|5ac52674ffff34c98...|IDFA|   1|42.379696| -71.07114|18.760069|1525319655| 36.77853|
|5ac52674ffff34c98...|IDFA|   1| 42.38011| -71.07123|19.155525|1525319656| 36.77853|
|5ac52674ffff34c98...|IDFA|   1| 42.38022|  -71.0712|16.978994|1525319657| 36.77853|
+--------------------+----+----+---------+----------+---------+----------+---------+
only showing top 20 rows

Я регистрирую его как таблицу

sqlContext.registerDataFrameAsTable(df, "myTable")

Я бы нравится хранить только идентификаторы, которые имеют по крайней мере одну запись каждый день. Я использовал следующий запрос для подсчета DISTINCT ID, который у меня есть каждый день.

query = """ SELECT DATE(FROM_UNIXTIME(timestamp)) AS ForDate,
        COUNT(DISTINCT ID) AS NumPosts
        FROM   myTable
        GROUP BY DATE(FROM_UNIXTIME(timestamp))
        ORDER BY ForDate """
countIDDay = spark.sql(query)

Я пытаюсь этот запрос

query = """ SELECT ID from myTable
            GROUP BY ID 
            having count(DISTINCT DATE(FROM_UNIXTIME(timestamp))) = (SELECT COUNT(DISTINCT DATE(FROM_UNIXTIME(timestamp))) FROM myTable) """

Answer 1

Вы можете объединять и фильтровать в предложении having:

select id
from mytable
group by id
having count(distinct date(from_unixtime(timestamp))) =
    (select count(distinct date(from_unixtime(timestamp)))
     from mytable
    );