pyspark - 从之前的非缺失值计算缺失的行值
问题描述
这是 Excel 中的一个简单练习,但不知道如何在 Pyspark 中进行
我有一个时间序列模式的增长率。
Period, Rate, value
1, ., 100
2, 0.01,
3, 0.02,
4, 0.01
因此该值仅在周期 1 中可用。所有其他值应按如下方式计算:
周期 2:100*(1+0.01) = 101
第 3 期:101*(1+0.02)
周期 2 本质上是周期 1 的值作为基础结合周期 2 中的利率来计算。等等等等。
在 Excel 中很容易做到这一点,但不知道如何在 Pyspark 中做到这一点。
非常感谢。
解决方案
您可以使用log
andexp
来获取该期间之前的总值。你的价值是一个乘法聚合。
1, 0.01, 100 * (1 + 0.01)
2, 0.01, 100 * (1 + 0.01) * (1 + 0.01)
...
n, 0.01, 100 * (1 + 0.01)^n
因此,取一个log
,窗口sum
上的值log(1 + 0.01)
并取回exp
。
value = 100
w = Window.orderBy('Period')
df.withColumn('value', value * exp(sum(log(col('Rate') + 1).cast('decimal(38, 20)')).over(w))).show()
+------+----+------------------+
|Period|Rate| value|
+------+----+------------------+
| 1| 0.0| 100.0|
| 2|0.01| 101.0|
| 3|0.01| 102.01|
| 4|0.01|103.03010000000002|
| 5|0.01| 104.060401|
| 6|0.01|105.10100501000001|
| 7|0.01|106.15201506010001|
| 8|0.01|107.21353521070101|
| 9|0.01|108.28567056280802|
| 10|0.01|109.36852726843608|
| 11|0.01|110.46221254112045|
| 12|0.01|111.56683466653166|
| 13|0.01|112.68250301319698|
| 14|0.01|113.80932804332895|
| 15|0.01|114.94742132376223|
| 16|0.01|116.09689553699987|
+------+----+------------------+
或者,aggregate
通过将费率列在列表中来使用该功能。
value = 100
df.withColumn('temp', expr("aggregate(collect_list(Rate + 1) OVER (ORDER BY Period), 1D, (acc, x) -> acc * x)")) \
.withColumn('value', col('temp') * value).show()
+------+----+------------------+------------------+
|Period|Rate| value| temp|
+------+----+------------------+------------------+
| 1| 0.0| 100.0| 1.0|
| 2|0.01| 101.0| 1.01|
| 3|0.01| 102.01| 1.0201|
| 4|0.01|103.03009999999999| 1.030301|
| 5|0.01| 104.060401| 1.04060401|
| 6|0.01| 105.10100501| 1.0510100501|
| 7|0.01|106.15201506009998| 1.061520150601|
| 8|0.01|107.21353521070098|1.0721353521070098|
| 9|0.01|108.28567056280801| 1.08285670562808|
| 10|0.01|109.36852726843608|1.0936852726843609|
| 11|0.01|110.46221254112045|1.1046221254112045|
| 12|0.01|111.56683466653166|1.1156683466653166|
| 13|0.01|112.68250301319698|1.1268250301319698|
| 14|0.01|113.80932804332895|1.1380932804332895|
| 15|0.01|114.94742132376223|1.1494742132376223|
| 16|0.01|116.09689553699987|1.1609689553699987|
+------+----+------------------+------------------+
这两个例子在第 4 期都有精度问题。
推荐阅读
- big-o - 堆的最坏情况 Big-O 运行时
- vue.js - Uncaught (in promise) TypeError: Cannot read property 'catch' of undefined
- r - 无法从 Rstudio 中的 github 下载包
- julia - Plots.jl 绘图上的特定颜色条
- python - Python - 打印报价
- c++ - 无法让 GLFW 与 g++ 链接
- java - JAVA MYsql 登录表单 - 登录功能无法正常工作(Javafx)
- python - DeprecationWarning:此功能已弃用。请参阅:https://pyproj4.github.io/pyproj/stable/gotchas.html#upgrading-to-pyproj-2-from-pyproj-1
- c++ - OOP 关于组合、继承和多态性的基本问题
- ios - iOS中如何检测连接的WiFi是2.4G还是5G?