在利用spark进行数据挖掘与整合时,如果遇到分组排序并提取前N行,有以下解决思路
常规Python
df.groupby([col1,col2]).apply(f(x))
pyspark思路:
第一:将pyspark的dataframe数据注册成为一个临时表;例如:df.registerTempTable(‘df1’)
然后利用spark sql种的窗函数加条件筛选来完成
df2=spark.sql("""
select * from (select *,row_number() over (PARTITION BY col1,col2,col3 ORDER BY col4 desc) rank from df1) tmp where rank<=10
“”")
这个是提取前10的数据
pyspark分组排序并提取各组的前N行
最新推荐文章于 2022-10-11 20:07:27 发布