Apache Spark查找数据帧中第一个不同的前行

Question

我有以下格式的Apache Spark数据帧

| ID |  groupId  | phaseName |
|----|-----------|-----------|
| 10 | someHash1 | PhaseA    |
| 11 | someHash1 | PhaseB    |
| 12 | someHash1 | PhaseB    |
| 13 | someHash2 | PhaseX    |
| 14 | someHash2 | PhaseY    |

我想在DataFrame中添加一个新列：PreviousPhaseName。此列应指示同一过程的前一个不同阶段。进程的第一阶段（具有最小ID的阶段）将与前一阶段一样具有null。当一个阶段发生两次或两次以上时，第二次（第三次...）事件将具有相同的previousPhaseName,例如：

df = 
| ID |  groupId  | phaseName | prevPhaseName |
|----|-----------|-----------|---------------|
| 10 | someHash1 | PhaseA    | null          |
| 11 | someHash1 | PhaseB    | PhaseA        |
| 12 | someHash1 | PhaseB    | PhaseA        |
| 13 | someHash2 | PhaseX    | null          |
| 14 | someHash2 | PhaseY    | PhaseX        |

我不确定如何实施这一点。我的第一个方法是：

• 创建第二个空数据帧DF2
• 对于DF中的每一行:
  查找具有groupId=row.groupId、ID 的行
• 将此行添加到DF2
• 连接df1和DF2

WindowSpec windowSpecPrev = Window
  .partitionBy(df.col("groupId"))
  .orderBy(df.col("ID"));
WindowSpec windowSpecCount = Window
  .partitionBy(df.col("groupId"), df.col("phaseName"))
  .orderBy(df.col("ID"))
  .rowsBetween(Long.MIN_VALUE, 0);

df
  .withColumn("prevPhase", functions.lag("phaseName", 1).over(windowSpecPrev))
  .withColumn("phaseCount", functions.count("phaseId").over(windowSpecCount))
  .withColumn("prevSame", when(col("prevPhase").equalTo(col("phaseName")),1).otherwise(0))

df = 
| ID |  groupId  | phaseName | prevPhase   | phaseCount | prevSame |
|----|-----------|-----------|-------------|------------|----------|
| 10 | someHash1 | PhaseA    | null        |  1         |  0       |
| 11 | someHash1 | PhaseB    | PhaseA      |  1         |  0       |
| 12 | someHash1 | PhaseB    | PhaseB      |  2         |  1       |
| 13 | someHash2 | PhaseX    | null        |  1         |  0       |
| 14 | someHash2 | PhaseY    | PhaseX      |  1         |  0       |

• 实现自己的lag函数，该函数不取偏移量，但递归检查前一行，直到找到与给定行不同的值。（虽然我认为在Spark SQL中不可能使用自己的分析窗口函数）
• 找到一种方法，根据phasecount的值动态设置lag函数的偏移量。（如果以前出现的相同相位名未出现在单个序列中，则该操作可能失败）
• 在窗口上使用UserDefinedAggregateFunction，该窗口存储第一个给定输入的ID和phaseName，并使用不同的phaseName查找最高ID。

Answer 1

我能够通过以下方式解决这个问题：

1. 获取（普通）前一阶段。
2. 引入一个新的id，对按顺序发生的阶段进行分组。（借助这个答案）。这需要两个步骤。首先检查当前和以前的阶段名称是否相等，并相应地分配一个groupCount值。第二次计算该值的累计和。
3. 将顺序组第一行的前一个阶段分配给其所有成员。

WindowSpec specGroup = Window.partitionBy(col("groupId"))  
                             .orderBy(col("ID"));
WindowSpec specSeqGroupId = Window.partitionBy(col("groupId")) 
                                  .orderBy(col("ID"))
                                  .rowsBetween(Long.MIN_VALUE, 0);
WindowSpec specPrevDiff = Window.partitionBy(col("groupId"), col("seqGroupId"))
                                .orderBy(col("ID"))
                                .rowsBetween(Long.MIN_VALUE, 0);

df.withColumn("prevPhase", coalesce(lag("phaseName", 1).over(specGroup), lit("NO_PREV"))) 
  .withColumn("seqCount", when(col("prevPhase").equalTo(col("phaseName")).or(col("prevPhase").equalTo("NO_PREV")),0).otherwise(1))
  .withColumn("seqGroupId", sum("seqCount").over(specSeqGroupId))
  .withColumn("prevDiff", first("prevPhase").over(specPrevDiff));

df = 
| ID |  groupId  | phaseName | prevPhase | seqCount | seqGroupId | prevDiff |
|----|-----------|-----------|-----------|----------|------------|----------|
| 10 | someHash1 | PhaseA    | NO_PREV   |  0       |  0         | NO_PREV  |
| 11 | someHash1 | PhaseB    | PhaseA    |  1       |  1         | PhaseA   |
| 12 | someHash1 | PhaseB    | PhaseA    |  0       |  1         | PhaseA   |
| 13 | someHash2 | PhaseX    | NO_PREV   |  0       |  0         | NO_PREV  |
| 14 | someHash2 | PhaseY    | PhaseX    |  1       |  1         | PhaseX   |

任何建议，特别是在这些行动的效率方面的建议，都是赞赏的。