Объединение с таблицей поиска в PySpark - PullRequest
0 голосов
/ 12 июня 2019

У меня есть 2 таблицы: Таблица 'A' и Таблица 'Lookup'

Таблица A:

ID  Day 

A     1 
B     1
C     2 
D     4

Таблица просмотра имеет процентные значения для каждой комбинации ID-Day.

Таблица поиска:

ID     1    2    3    4

A     20   10   50   30
B      0   50    0   50
C     50   10   10   30
D     10   25   25   40

Мой ожидаемый вывод - иметь дополнительное поле в таблице «A» с именем «Percent» со значениями, заполненными из справочной таблицы:

ID  Day  Percent

A     1       20
B     1        0
C     2       10
D     4       40

Поскольку обе таблицы большие, я не хочу поворачивать ни одну из таблиц.

Ответы [ 2 ]

0 голосов
/ 13 июня 2019

(отправка ответа через день после публикации вопроса)

Мне удалось решить эту проблему путем преобразования таблиц в кадр данных pandas.

from pyspark.sql.types import *

schema = StructType([StructField("id", StringType())\
                   ,StructField("day", StringType())\
                   ,StructField("1", IntegerType())\
                   ,StructField("2", IntegerType())\
                   ,StructField("3", IntegerType())\
                   ,StructField("4", IntegerType())])

# Day field is String type

data = [['A', 1, 20, 10, 50, 30], ['B', 1, 0, 50, 0, 50], ['C', 2, 50, 10, 10, 30], ['D', 4, 10, 25, 25, 40]]
df = spark.createDataFrame(data,schema=schema)
df.show()

# After joining the 2 tables on "id", the tables would look like this:
+---+---+---+---+---+---+
| id|day|  1|  2|  3|  4|
+---+---+---+---+---+---+
|  A|  1| 20| 10| 50| 30|
|  B|  1|  0| 50|  0| 50|
|  C|  2| 50| 10| 10| 30|
|  D|  4| 10| 25| 25| 40|
+---+---+---+---+---+---+

# Converting to a pandas dataframe
pandas_df = df.toPandas()

  id  day   1   2   3   4
   A   1   20  10  50  30
   B   1    0  50   0  50
   C   2   50  10  10  30
   D   4   10  25  25  40

# UDF:
def udf(x):
     return x[x['day']]

pandas_df['percent'] = pandas_df.apply(udf, axis=1)

# Converting back to a Spark DF:
spark_df = sqlContext.createDataFrame(pandas_df)

+---+---+---+---+---+---+---+
| id|day|  1|  2|  3|  4|new|
+---+---+---+---+---+---+---+
|  A|  1| 20| 10| 50| 30| 20|
|  B|  1|  0| 50|  0| 50|  0|
|  C|  2| 50| 10| 10| 30| 10|
|  D|  4| 10| 25| 25| 40| 40|
+---+---+---+---+---+---+---+

spark_df.select("id", "day", "percent").show()

+---+---+-------+
| id|day|percent|
+---+---+-------+
|  A|  1|     20|
|  B|  1|      0|
|  C|  2|     10|
|  D|  4|     40|
+---+---+-------+

Буду признателен, если кто-нибудь отправит ответ в PySpark без преобразования pandas-df.

0 голосов
/ 12 июня 2019

Я написал код в Scala. Вы можете ссылаться на Python.

    scala> TableA.show()
    +---+---+
    | ID|Day|
    +---+---+
    |  A|  1|
    |  B|  1|
    |  C|  2|
    |  D|  4|
    +---+---+


    scala> lookup.show()
    +---+---+---+---+---+
    | ID|  1|  2|  3|  4|
    +---+---+---+---+---+
    |  A| 20| 10| 50| 30|
    |  B|  0| 50|  0| 50|
    |  C| 50| 10| 10| 30|
    |  D| 10| 25| 25| 40|
    +---+---+---+---+---+

    //UDF Functon to retrieve data from lookup table
    val lookupUDF = (r:Row, s:String) => {
          r.getAs(s).toString}

    //Join over Key column "ID"
    val joindf  = TableA.join(lookup,"ID")

    //final output DataFrame creation
    val final_df = joindf.map(x => (x.getAs("ID").toString, x.getAs("Day").toString, lookupUDF(x,x.getAs("Day")))).toDF("ID","Day","Percentage")

     final_df.show()
     +---+---+----------+
     | ID|Day|Percentage|
     +---+---+----------+
     |  A|  1|        20|
     |  B|  1|         0|
     |  C|  2|        10|
     |  D|  4|        40|
     +---+---+----------+
...