ウィンドウ関数を使用して Spark SQL でユーザーのアクティブ日を確認する方法

Spark SQL の複雑なウィンドウ関数を使用してユーザーのアクティブな日付を検索

質問:

Web サイトにログインしたユーザーの記録を含むデータフレーム。ユーザーがいつアクティブになるかを判断し、アクティビティの期間を考慮する必要があります。この期間後にユーザーが再度ログインすると、アクティブな日付がリセットされます。

提案された方法:

ヒステリシスと再帰を備えたウィンドウ関数を使用して、アクティビティ期間内の最初または最新のログインを特定し、アクティビティの日付を決定します。

Spark ネイティブ ソリューション (>= 3.2):

Spark 3.2 以降はセッション ウィンドウをサポートします。使用例については公式ドキュメントを参照してください。

レガシー ソリューション (Spark

1. インポート関数:

   • Window はウィンドウの定義に使用されます
   • coalesce、datediff、lag、lit、min、sum

2. 定義ウィンドウ:

   • userWindow user_name によってパーティション化され、login_date
   によって並べ替えられます
   • userSessionWindow user_name と session によるパーティション

3. 新しいセッションの開始を見つけます:

   • datediff と lag を使用してログイン日を比較し、アクティブな期間よりも大きなギャップがあるかどうかを確認します。
   • 結果を cast に変換するには、bigint を使用します。
   • userWindow で sum を使用して、新しいセッションの開始を蓄積します。

4. 各セッションの最も早い日付を検索します:

   • withColumn 列を追加するには、session を使用します。
   • userSessionWindow で min を使用して、各セッションの最も早い login_date を見つけます。
   • session 列を削除します。

5. 例:

   <code class="language-scala"> val df = Seq(
      ("SirChillingtonIV", "2012-01-04"), ("Booooooo99900098", "2012-01-04"),
      ("Booooooo99900098", "2012-01-06"), ("OprahWinfreyJr", "2012-01-10"),
      ("SirChillingtonIV", "2012-01-11"), ("SirChillingtonIV", "2012-01-14"),
      ("SirChillingtonIV", "2012-08-11")
    ).toDF("user_name", "login_date")
   
    val result = sessionized //sessionized is assumed to be defined elsewhere, this is a crucial part missing from the original
      .withColumn("became_active", min($"login_date").over(userSessionWindow))
      .drop("session")
   
    df.show(5)
    result.show(5)</code>

sessionized の定義がコード例にないことに注意してください。これは、このソリューションを完了するための重要な部分です。 session 列は、アクティビティ期間とログイン日に基づいて計算する必要があります。 これには通常、カスタム関数またはより複雑なウィンドウ関数ロジックが必要です。 完全なソリューションには、この欠落しているコード部分を追加する必要があります。

以上がウィンドウ関数を使用して Spark SQL でユーザーのアクティブ日を確認する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。