Как развернуть несколько столбцов в Spark SQL?

Мне нужно развернуть более одного столбца в фреймворке pyspark. Пример кадра данных,

 >>> d = [(100,1,23,10),(100,2,45,11),(100,3,67,12),(100,4,78,13),(101,1,23,10),(101,2,45,13),(101,3,67,14),(101,4,78,15),(102,1,23,10),(102,2,45,11),(102,3,67,16),(102,4,78,18)]
>>> mydf = spark.createDataFrame(d,['id','day','price','units'])
>>> mydf.show()
+---+---+-----+-----+
| id|day|price|units|
+---+---+-----+-----+
|100|  1|   23|   10|
|100|  2|   45|   11|
|100|  3|   67|   12|
|100|  4|   78|   13|
|101|  1|   23|   10|
|101|  2|   45|   13|
|101|  3|   67|   14|
|101|  4|   78|   15|
|102|  1|   23|   10|
|102|  2|   45|   11|
|102|  3|   67|   16|
|102|  4|   78|   18|
+---+---+-----+-----+

Теперь, если мне нужно получить столбец цены в строке для каждого идентификатора на основе дня, тогда я могу использовать метод pivot as,

>>> pvtdf = mydf.withColumn('combcol',F.concat(F.lit('price_'),mydf['day'])).groupby('id').pivot('combcol').agg(F.first('price'))
>>> pvtdf.show()
+---+-------+-------+-------+-------+
| id|price_1|price_2|price_3|price_4|
+---+-------+-------+-------+-------+
|100|     23|     45|     67|     78|
|101|     23|     45|     67|     78|
|102|     23|     45|     67|     78|
+---+-------+-------+-------+-------+

поэтому, когда мне нужен столбцы единиц, а также для переноса в качестве цены, либо мне нужно создать еще один фрейм данных, как указано выше для единиц, а затем присоединиться к использованию с использованием id.But, когда у меня больше столбцов как таковых, я попробовал функцию для этого,

>>> def pivot_udf(df,*cols):
...     mydf = df.select('id').drop_duplicates()
...     for c in cols:
...        mydf = mydf.join(df.withColumn('combcol',F.concat(F.lit('{}_'.format(c)),df['day'])).groupby('id').pivot('combcol').agg(F.first(c)),'id')
...     return mydf
...
>>> pivot_udf(mydf,'price','units').show()
+---+-------+-------+-------+-------+-------+-------+-------+-------+
| id|price_1|price_2|price_3|price_4|units_1|units_2|units_3|units_4|
+---+-------+-------+-------+-------+-------+-------+-------+-------+
|100|     23|     45|     67|     78|     10|     11|     12|     13|
|101|     23|     45|     67|     78|     10|     13|     14|     15|
|102|     23|     45|     67|     78|     10|     11|     16|     18|
+---+-------+-------+-------+-------+-------+-------+-------+-------+

Нуждайтесь в предложениях, если это хорошая практика, и если любой другой лучший способ это сделать. Спасибо заранее!

Ответ 1

Решение в вопросе - лучшее, что я мог получить. Единственным улучшением будет cache входного набора данных, чтобы избежать двойного сканирования, т.е.

mydf.cache
pivot_udf(mydf,'price','units').show()

Ответ 2

Как и в версии с искровым 1.6, я считаю, что единственный способ, потому что pivot занимает только один столбец, и есть второе значение атрибута, на котором вы можете передать различные значения этого столбца, которые заставят ваш код работать быстрее, потому что в противном случае искра должна запускаться это для вас, так что да, это правильный способ сделать это.

Ответ 3

Здесь не-UDF-способ, включающий одну сводную точку (следовательно, просто сканирование одного столбца для определения всех уникальных дат).

mydf.groupBy('id').pivot('day').agg(F.first('price').alias('price'),F.first('units').alias('unit'))

Вот результат (извинения за несоответствующий порядок и наименование):

+---+-------+------+-------+------+-------+------+-------+------+               
| id|1_price|1_unit|2_price|2_unit|3_price|3_unit|4_price|4_unit|
+---+-------+------+-------+------+-------+------+-------+------+
|100|     23|    10|     45|    11|     67|    12|     78|    13|
|101|     23|    10|     45|    13|     67|    14|     78|    15|
|102|     23|    10|     45|    11|     67|    16|     78|    18|
+---+-------+------+-------+------+-------+------+-------+------+

Мы просто агрегируем как по price и по столбцу unit после разворота в день.

Ответ 4

Я думаю, что вы можете создать объединенный столбец (объединяющий все столбцы, к которым нужно повернуть) и использовать сводку к объединенному столбцу.