如何在PySpark中使用窗口功能？

Question

我正在尝试将某些Windows函数（ntile和percentRank）用于数据框，但我不知道如何使用它们。

有人可以帮我吗？在Python
API文档
中，没有关于它的示例。

具体来说，我正在尝试获取数据框中数字字段的分位数。

我正在使用Spark 1.4.0。

Answer 1

要使用窗口功能，您必须先创建一个窗口。定义与普通SQL几乎相同，这意味着您可以定义顺序，分区或同时定义两者。首先让我们创建一些虚拟数据：

import numpy as np
np.random.seed(1)

keys = ["foo"] * 10 + ["bar"] * 10
values = np.hstack([np.random.normal(0, 1, 10), np.random.normal(10, 1, 100)])

df = sqlContext.createDataFrame([
   {"k": k, "v": round(float(v), 3)} for k, v in zip(keys, values)])

确保您正在使用HiveContext（仅限Spark <2.0）：

from pyspark.sql import HiveContext

assert isinstance(sqlContext, HiveContext)

创建一个窗口：

from pyspark.sql.window import Window

w =  Window.partitionBy(df.k).orderBy(df.v)

相当于

(PARTITION BY k ORDER BY v)

在SQL中。

根据经验，窗口定义应始终包含PARTITION BY子句，否则Spark会将所有数据移至单个分区。ORDER BY某些功能是必需的，而在不同情况下（通常是聚合）可能是可选的。

还有两个可选选项，可用于定义窗口span-ROWS BETWEEN和RANGE BETWEEN。在这种特定情况下，这些对我们没有用。

最后，我们可以将其用于查询：

from pyspark.sql.functions import percentRank, ntile

df.select(
    "k", "v",
    percentRank().over(w).alias("percent_rank"),
    ntile(3).over(w).alias("ntile3")
)

注意，这ntile与分位数没有任何关系。