Применение функции Window для вычисления различий в pySpark

Я использую pySpark и настроил свой фрейм данных с двумя столбцами, представляющими ежедневную цену активов, следующим образом:

ind = sc.parallelize(range(1,5))
prices = sc.parallelize([33.3,31.1,51.2,21.3])
data = ind.zip(prices)
df = sqlCtx.createDataFrame(data,["day","price"])

Я получаю после применения df.show():

+---+-----+
|day|price|
+---+-----+
|  1| 33.3|
|  2| 31.1|
|  3| 51.2|
|  4| 21.3|
+---+-----+

Что хорошо и все. Я хотел бы иметь другой столбец, который содержит ежедневные возвращения столбца цен, то есть что-то вроде

(price(day2)-price(day1))/(price(day1))

После долгих исследований мне сказали, что это наиболее эффективно достигается путем применения функций pyspark.sql.window, но я не могу понять, как это сделать.

Ответ 1

Вы можете перенести столбец предыдущего дня, используя функцию задержки, и добавить дополнительный столбец, который выполняет фактический ежедневный возврат из двух столбцов, но вам, возможно, придется указать спарку, как разделить ваши данные и/или приказать сделать задержку., что-то вроде этого:

from pyspark.sql.window import Window
import pyspark.sql.functions as func
from pyspark.sql.functions import lit

dfu = df.withColumn('user', lit('tmoore'))

df_lag = dfu.withColumn('prev_day_price',
                        func.lag(dfu['price'])
                                 .over(Window.partitionBy("user")))

result = df_lag.withColumn('daily_return', 
          (df_lag['price'] - df_lag['prev_day_price']) / df_lag['price'] )

>>> result.show()
+---+-----+-------+--------------+--------------------+
|day|price|   user|prev_day_price|        daily_return|
+---+-----+-------+--------------+--------------------+
|  1| 33.3| tmoore|          null|                null|
|  2| 31.1| tmoore|          33.3|-0.07073954983922816|
|  3| 51.2| tmoore|          31.1|         0.392578125|
|  4| 21.3| tmoore|          51.2|  -1.403755868544601|
+---+-----+-------+--------------+--------------------+

Здесь более длинное введение в оконные функции в Spark.

Ответ 2

Функция задержки может помочь вам решить ваш вариант использования.

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

### Defining the window 
Windowspec=Window.orderBy("day")

### Calculating lag of price at each day level
prev_day_price= df.withColumn('prev_day_price',
                        func.lag(dfu['price'])
                                .over(Windowspec))

### Calculating the average                                  
result = prev_day_price.withColumn('daily_return', 
          (prev_day_price['price'] - prev_day_price['prev_day_price']) / 
prev_day_price['price'] )