#pandas #apache-spark #pyspark #apache-spark-sql
#pandas #apache-spark #pyspark #apache-spark-sql
Вопрос:
У меня есть текстовый файл, как показано ниже, с разделителем каналов
person_id | category | notes
1|A|He bought cat
1|A|He bought dog
1|B|He has hen
2|A|Switzerland Australia
2|A|Australia
Я хочу сгруппировать по person_id и категории и найти только те слова, которые повторяются во всей строке
ожидаемый результат
1|A|He bought
1|B|he has hen
2|A|Australia
Я купил количество слов для каждого, используя group по person_id и category, я застрял, получая результат
Я получил количество слов, используя group by, как показано ниже, используя количество слов rdd и spark-sql
person_id | category | notes
1|A|He (2) bought(2) cat(1) dog(1)
1|B|He(1) has(1) hen(1)
2|A|Switzerland(1) Australia(2)
Комментарии:
1. вы ищете решение pandas или pyspark? они очень разные. Также, что вы пробовали до сих пор?
2. Должны ли слова быть в слове, как указано в
notes
столбце?3. Что, если бы слова шли в другом порядке? Например, в person_id=1, catgory= A, notes =»Я купил кошку, которая ему нравится». Как насчет чувствительности к регистру?
4. Здравствуйте, мы можем игнорировать чувствительность к регистру и просто получать общие слова во всех строках
5. все приведенные ниже ответы помогли мне, спасибо всем
Ответ №1:
Вы можете добиться этого с помощью функций Spark arrays:
- разделите столбец
notes
, чтобы получить массив слов - сгруппировать по
person_id
иcategory
собрать список слов - отфильтруйте результирующий массив, проверив, существует ли он во всех собранных подмассивах (т.Е. словах), используя функцию более высокого порядка
filter
import pyspark.sql.functions as F
df1 = df.withColumn("notes", F.split("notes", " "))
.groupBy("person_id", "category")
.agg(F.collect_list(F.col("notes")).alias("notes"))
.withColumn("w", F.array_distinct(F.flatten("notes")))
.withColumn("notes", F.array_join(F.expr("filter(w, x -> size(filter(notes, y -> array_contains(y, x))) = size(notes))"), " "))
.drop("w")
df1.show()
# --------- -------- ----------
#|person_id|category|notes |
# --------- -------- ----------
#|1 |A |He bought |
#|1 |B |He has hen|
#|2 |A |Australia |
# --------- -------- ----------
Ответ №2:
Другой вариант — определить UDF, который найдет пересечение массива строк:
from pyspark.sql import SparkSession
from pyspark.sql import functions as F
spark = SparkSession.builder.getOrCreate()
data = [
{"person_id": 1, "category": "A", "notes": "He bought cat"},
{"person_id": 1, "category": "A", "notes": "He bought dog"},
{"person_id": 1, "category": "B", "notes": "He has hen"},
{"person_id": 2, "category": "A", "notes": "Switzerland Australia"},
{"person_id": 2, "category": "A", "notes": "Australia"},
]
def common(x):
l = [i.split() for i in x]
return " ".join(sorted(set.intersection(*map(set, l)), key=l[0].index))
df = spark.createDataFrame(data)
df = df.groupBy(["person_id", "category"]).agg(F.collect_list("notes").alias("b"))
df = df.withColumn("result", F.udf(common)(F.col("b")))
Результат:
--------- -------- ----------
|person_id|category|result |
--------- -------- ----------
|1 |A |He bought |
|1 |B |He has hen|
|2 |A |Australia |
--------- -------- ----------
Ответ №3:
Вы можете разбить notes
строку на слова, а затем разделить слова. Наконец, count
количество notes
для каждого person_id, category
и количество слов для каждого person_id, category
. Если их количество равно, постройте слова по collect_list
.
from pyspark.sql import functions as F
from pyspark.sql import Window
data = [(1, "A", "He bought cat"),
(1, "A", "He bought dog"),
(1, "B", "He has hen"),
(2, "A", "Switzerland Australia"),
(2, "A", "Australia"),]
df = spark.createDataFrame(data, ("person_id", "category", "notes", ))
window_spec_category = Window.partitionBy("person_id", "category")
df_word = df.withColumn("category_count", F.count("*").over(window_spec_category))
.select("person_id", "category", F.posexplode(F.split(F.col("notes"), " ")).alias("pos", "word"))
window_spec_word = Window.partitionBy("person_id", "category", "word")
matching_words = df_word.withColumn("word_count", F.count("*").over(window_spec_word))
.withColumn("rn", F.row_number().over(window_spec_word.orderBy(F.lit(None))))
.filter(F.col("word_count") == F.col("category_count"))
.filter(F.col("rn") == F.lit(1))
.drop("rn")
window_spec_collect = window_spec_category.orderBy("pos").rowsBetween(Window.unboundedPreceding, Window.unboundedFollowing)
matching_words.withColumn("result", F.concat_ws(" ", F.collect_list("word").over(window_spec_collect)))
.withColumn("rn", F.row_number().over(window_spec_category.orderBy(F.lit(None))))
.filter(F.col("rn") == F.lit(1))
.select("person_id", "category", "result")
.show()
Вывод
--------- -------- ----------
|person_id|category| result|
--------- -------- ----------
| 1| A| He bought|
| 1| B|He has hen|
| 2| A| Australia|
--------- -------- ----------