Question

我有一个如下所示的PySpark DataFrame：

Window -> Rename Tab... -> <tab_name>

我想检索每个不同IP地址的计数，这些计数细分为每天可以看到多少个不同IP地址。

我尝试过：

+------+-----------+
|src_ip|  timestamp|
+------+-----------+
|A     |2020-06-19 |
|B     |2020-06-19 |
|B     |2020-06-20 |
|C     |2020-06-20 |
|D     |2020-06-21 |
+------+-----------+

但是，这不能给我正确的结果，因为它将DF分为多个时间窗口，并为每个时间窗口获得了不同的计数，如下所示：

df.groupBy(window(df['timestamp'], "1 day")) \
           .agg(countDistinct('src_ip')) \
           .orderBy("window").show()

这是不正确的，因为B已在2020-06-19出现，应归为不同。

我想看到的结果表是：

+-----------+-----------------------+
|  window   | count(DISTINCT(src_ip)|
+-----------+-----------------------+
|2020-06-19 | 2                     |
|2020-06-20 | 2                     |
|2020-06-21 | 1                     |
+-----------+-----------------------+

PySpark甚至可以做到吗？任何帮助将不胜感激。

Answer 1

这是您想要的吗？或请添加更多说明。

df.show(10, False)

+------+----------+
|src_ip|timestamp |
+------+----------+
|A     |2020-06-19|
|B     |2020-06-19|
|B     |2020-06-20|
|C     |2020-06-20|
|D     |2020-06-21|
+------+----------+


from pyspark.sql.functions import min, window, count

df.groupBy('src_ip').agg(min('timestamp').alias('timestamp')) \
  .groupBy('timestamp').agg(count('src_ip').alias('count')) \
  .orderBy('timestamp').show(10, False)

+----------+-----+
|timestamp |count|
+----------+-----+
|2020-06-19|2    |
|2020-06-20|1    |
|2020-06-21|1    |
+----------+-----+

PySpark列的唯一计数

1 个答案: