Question

nominals是我的参考数据集，其中包含每天应在特定计算机上测量的所有点。它具有以下简化结构

nominals
+------------+----+----+-----+----+
| point_name |   x|   y|    z|side|
+------------+----+----+-----+----+
|str1        |.   |.   |.    | .  |
|str2        |.   |.   |.    | .  |
|str3        |.   |.   |.    | .  |
+------------+----+----+-----+----+

x,y,z是标称点坐标。 point_name是所测点的唯一标识符，并且包含side。因此，每一侧都有要测量的所需点的列表，例如用伪代码point_name[point_name.side=="L"].unique()。

用于存储实际测量值的数据集具有类似的结构，但另外一列id标识了要测量的机器。每个id的左侧和右侧都会被测量。

actuals
+------------+----+----+-----+----+----+
| point_name |   x|   y|    z|side| id |
+------------+----+----+-----+----+----+
|str4        |.   |.   |.    | .  |.   |
|str5        |.   |.   |.    | .  |.   |
|str6        |.   |.   |.    | .  |.   |
+------------+----+----+-----+----+----+

现在，我想创建一个带有附加列的新数据集，其中列出了每对id-side对测量数据集中缺少的所有点。换句话说，对于每个id-side组合，我都需要检查实际测量中存在的point_name列表，再一次进行名义测量，并找出两者之间的差异。预期结果将是

+-----------------------+-----------+
| id |   missing_L      | missing_R |
+-----------------------+-----------+
|9433| point_1, point_12|  point_14 |  
|9512| null             |  point_15 |
+-----------------------+-----------+

在当前解决方案中，我将围绕point_name进行检查，并检查具有null值的列。

nominals_left = (
        nominals
        .filter(nominals.side == "L")
        .select("point_name")
)
nominals_left_list = nominals_left.rdd.flatMap(lambda x: x).collect()

actuals_left = (
        actuals
        .filter(actuals.side == "L")
        .groupBy("id")
        .pivot("point_name", values=nominals_left_list)
        .sum("x")
    )
actuals_left_final = (
        actuals_left
        .withColumn("missing_L", F.array(*[F.when(F.isnull(c), F.lit(c)) for c in actuals_left.columns]))
        .withColumn("missing_L", F.expr("array_join(missing_L, ', ')"))
        .select("id", "missing_L")
    )

有没有更简单或更有效的方法？同样，似乎我必须对每个side进行相同的检查，以避免由于属于另一侧的点而导致创建假肯定的null。最好在id和side上一起分组。

Answer 1

我认为经过研究后我找到了一种方法。我只是简单地从名义表中创建了所有必需点的列表，将其与side上的测量表结合在一起，然后对这两个数组列进行了区别。似乎工作正常。这是给定nominals表和actuals表的示例。首先创建每个id和side

的所有标称点的列表

nominal_list = (
    nominals
    .groupby("side")
    .agg(F.collect_list(F.col("point_name")))
    .withColumnRenamed("collect_list(point_name)", "nominal_points")
)

然后将其添加到使用额外的id列通过测量创建的类似数据集上（请注意调用F.array_except时数组的顺序）。

missing = (
    actuals
    .groupby(["id", "side"])
    .agg(F.collect_list(F.col("point_name")))
    .withColumnRenamed("collect_list(point_name)", "measured_points")
    .join(nominal_list, "side")
    .withColumn('missing', F.array_except('nominal_points', 'measured_points'))
)

请注意，这与我一开始所要求的稍有不同，因为我将一面作为附加列，并且未隐藏在列名（即missing_L和missing_R中）。

根据其他数据集中的列表查找缺失值的列名

1 个答案: