当前位置: 首页 > news >正文

PySpark实现ABC_manage_channel逻辑

问题描述

我们需要确定"ABC_manage_channel"列的逻辑,该列的值在客户连续在同一渠道下单时更新为当前渠道,否则保留之前的值。具体规则如下:

  • 初始值为第一个订单的渠道
  • 如果客户连续两次在同一渠道下单,则更新为当前渠道
  • 否则保持前一个值不变

数据准备

首先创建orders表并插入测试数据:

CREATE OR REPLACE TABLE orders (customerid INTEGER,channel VARCHAR(20),order_date DATE
);INSERT INTO orders (customerid, channel, order_date) VALUES
(1, 'TMALL', '2024-11-01'),
(1, 'TMALL', '2024-11-02'),
(1, 'TMALL', '2024-11-03'),
(1, 'douyin', '2024-11-25'),
(1, 'JD', '2025-01-13'),
(1, 'JD', '2025-01-14'),
(1, 'douyin', '2025-03-02'),
(1, 'douyin', '2025-03-27'),
(3, 'JD', '2024-04-23'),
(4, 'JD', '2025-02-15'),
(5, 'JD', '2024-08-30'),
(6, 'douyin', '2024-10-05'),
(7, 'JD', '2024-05-29'),
(7, 'douyin', '2024-09-15'),
(7, 'Wholesale', '2024-12-22'),
(7, 'JD', '2025-03-19'),
(8, 'douyin', '2024-08-01'),
(8, 'douyin', '2024-08-07'),
(8, 'douyin', '2024-11-15'),
(9, 'JD', '2025-03-19'),
(10, 'douyin', '2024-07-30'),
(10, 'douyin', '2024-12-27'),
(10, 'douyin', '2025-03-21'),
(10, 'douyin', '2025-03-23');

解决方案

方法一:使用SparkSQL(结合UDF)

from pyspark.sql import SparkSession
from pyspark.sql import functions as F
from pyspark.sql.types import ArrayType, StringType, StructType, StructField, DateType# 初始化Spark会话
spark = SparkSession.builder.appName("ABCManageChannel").getOrCreate()# 创建并插入测试数据
spark.sql("""
CREATE OR REPLACE TABLE orders (customerid INTEGER,channel VARCHAR(20),order_date DATE
) USING parquet;INSERT INTO orders VALUES
(1, 'TMALL', '2024-11-01'),
(1, 'TMALL', '2024-11-02'),
(1, 'TMALL', '2024-11-03'),
(1, 'douyin', '2024-11-25'),
(1, 'JD', '2025-01-13'),
(1, 'JD', '2025-01-14'),
(1, 'douyin', '2025-03-02'),
(1, 'douyin', '2025-03-27'),
(3, 'JD', '2024-04-23'),
(4, 'JD', '2025-02-15'),
(5, 'JD', '2024-08-30'),
(6, 'douyin', '2024-10-05'),
(7, 'JD', '2024-05-29'),
(7, 'douyin', '2024-09-15'),
(7, 'Wholesale', '2024-12-22'),
(7, 'JD', '2025-03-19'),
(8, 'douyin', '2024-08-01'),
(8, 'douyin', '2024-08-07'),
(8, 'douyin', '2024-11-15'),
(9, 'JD', '2025-03-19'),
(10, 'douyin', '2024-07-30'),
(10, 'douyin', '2024-12-27'),
(10, 'douyin', '2025-03-21'),
(10, 'douyin', '2025-03-23');
""")# 读取数据并按客户分组排序
orders_df = spark.table("orders")# 定义UDF处理渠道序列
def calculate_abc(channels):abc = []prev_channel = Nonecurrent_abc = Nonefor idx, c in enumerate(channels):if idx == 0:current_abc = celse:if c == prev_channel:current_abc = c# 否则保持前一个current_abcabc.append(current_abc)prev_channel = creturn abcudf_calculate_abc = F.udf(calculate_abc, ArrayType(StringType()))# 使用SparkSQL处理
result_sql = spark.sql("""
WITH sorted_orders AS (SELECT customerid, channel, order_date,ROW_NUMBER() OVER (PARTITION BY customerid ORDER BY order_date) AS rnFROM orders
),
grouped AS (SELECT customerid, COLLECT_LIST(channel) OVER (PARTITION BY customerid ORDER BY order_date) AS channels,COLLECT_LIST(order_date) OVER (PARTITION BY customerid ORDER BY order_date) AS order_datesFROM sorted_orders
)
SELECT customerid, order_date, channel, abc
FROM (SELECT customerid, EXPLODE(ARRAYS_ZIP(order_dates, channels, abc_list)) AS dataFROM (SELECT customerid, order_dates, channels,udf_calculate_abc(channels) AS abc_listFROM grouped)
)
SELECT customerid, data.order_dates AS order_date,data.channels AS channel,data.abc_list AS ABC_manage_channel
""")result_sql.show()

方法二:不使用SparkSQL(使用DataFrame API)

# 使用DataFrame API处理
window_spec = Window.partitionBy("customerid").orderBy("order_date")# 收集每个客户的订单渠道并按时间排序
grouped_df = orders_df.withColumn("rn", F.row_number().over(window_spec)) \.groupBy("customerid") \.agg(F.collect_list(F.struct("order_date", "channel")).alias("orders"))# 定义UDF处理订单序列
schema = ArrayType(StructType([StructField("order_date", DateType()),StructField("channel", StringType()),StructField("ABC_manage_channel", StringType())
]))def process_orders(orders):abc_list = []prev_channel = Nonecurrent_abc = Nonesorted_orders = sorted(orders, key=lambda x: x.order_date)for idx, order in enumerate(sorted_orders):if idx == 0:current_abc = order.channelelse:if order.channel == prev_channel:current_abc = order.channelabc_list.append((order.order_date, order.channel, current_abc))prev_channel = order.channelreturn abc_listudf_process_orders = F.udf(process_orders, schema)# 应用UDF并展开结果
result_df = grouped_df.withColumn("processed", udf_process_orders("orders")) \.select(F.explode("processed").alias("data")) \.select(F.col("data.order_date").alias("order_date"),F.col("data.channel").alias("channel"),F.col("data.ABC_manage_channel").alias("ABC_manage_channel"))result_df.show()

解释

  • 方法一使用SparkSQL结合UDF,通过窗口函数排序并收集渠道数据,使用UDF处理每个客户的订单序列,生成ABC管理渠道列。
  • 方法二使用DataFrame API,通过分组和聚合操作收集订单数据,利用UDF处理每个分组内的订单序列,最后展开结果。

相关文章:

  • 精益数据分析(25/126):关键指标驱动业务发展
  • WPF实现数字孪生示例
  • 使用PyTorch实现简单图像识别(基于MNIST手写数字数据集)的完整代码示例,包含数据加载、模型定义、训练和预测全流程
  • 关于使用 读光-文字检测-DBNet行检测模型-中英-通用领域,版本问题
  • 《P1950 长方形》
  • 前端与Rust后端交互:跨越语言鸿沟 (入门系列三)
  • 开源AI视频FramePack发布:6GB显卡本地运行
  • LIDC-IDRI数据集切割代码教程【pylidc库】
  • 小刚说C语言刷题——1109加密四位数
  • Dify 使用 excel 或者 csv 文件创建知识库
  • Java单链表题目
  • Linux线程与进程:探秘共享地址空间的并发实现与内
  • Three.js + React 实战系列-3D 个人主页:构建 Hero 场景组件(项目核心)✨
  • 16.【.NET 8 实战--孢子记账--从单体到微服务--转向微服务】--微服务基础工具与技术--Github Action
  • 高精度3D圆弧拟合 (C++)
  • 详解 Network.framework:iOS 网络开发的新基石
  • Eclipse Debug 配置指南
  • 苹果(IOS)手机怎么开启开发者模式(简单明了版)
  • 使用 Frida 绕过 iOS 应用程序中的越狱检测
  • 谈谈关于【枚举】类型变量的好处
  • 商务部:4月份以来的出口总体延续平稳增长态势
  • 玉渊谭天丨中方减少美国农产品进口后,舟山港陆续出现巴西大豆船
  • 民调显示特朗普执政百日支持率为80年来美历任总统最低
  • 传染病防治法修订草案提请三审,拟加强医疗机构疾控能力建设
  • 文化体验+商业消费+服务创新,上海搭建入境旅游新模式
  • 为何不当教练转型高校管理岗?苏炳添曾吐露过真实的想法