apache-spark - Spark 1.5.0 (PySpark) 案例当逻辑和滞后窗口函数

Question

我正在尝试在 HiveContext 中使用 Spark SQL 函数“WHEN / OTHERWISE”以及窗口中的 LAG，为一些连续分钟数据中的升序数字计数字段创建 DIFF 字段，该字段经常重置为零。所以我需要更正“计数”重置为零。

所以我的代码如下：

window = Window.partitionBy("car","trip_id").orderBy("car","datetime")
df = df.withColumn('new_count', F.when(df.num_count >= F.lag(df.num_count),(df.num_count- F.lag(df.num_count))).otherwise(df.num_count.astype('long')).over(window))

我在 Pyspark 中的错误是：

: java.lang.UnsupportedOperationException: CASE WHEN ...<"variable names">...  is not supported in window operation

尝试使用“sqlContext.sql("Select CASE WHEN...lag(num_count) OVER...") 会更好吗？

Answer 1

Window 应该单独应用于每个窗口函数。在这种特殊情况下，您可以像这样简单地提取表达式：

num_count_lag = F.lag(df.num_count).over(window)

df.withColumn(
    'new_count',
    F.when(
        df.num_count >= num_count_lag,
        df.num_count - num_count_lag
    ).otherwise(df.num_count.astype('long'))
)