如何使用視窗函數確定 Spark SQL 中的使用者活動日期？

使用 Spark SQL 中複雜的視窗函數尋找使用者活躍日期

問題：

一個 DataFrame 包含使用者登入網站的記錄。需要確定使用者何時活躍，並考慮一個活動週期。如果用戶在此週期後再次登錄，則其活躍日期將重設。

提出的方法：

使用具有滯後和遞歸的視窗函數，識別活動週期內的第一次登入或最近一次登錄，以確定活躍日期。

Spark 原生解（>= 3.2）：

Spark 3.2 及更高版本支援會話視窗。請參閱官方文件以了解使用方法範例。

舊版解（Spark

1. 導入函數：

   • Window 用來定義視窗
   • coalesce, datediff, lag, lit, min, sum

2. 定義視窗：

   • userWindow 按 user_name 分區，並依 login_date 排序
   • userSessionWindow 依 user_name 和 session 分割區

3. 找出新會話的開始：

   • 使用 datediff 和 lag 來比較登入日期，並檢查是否有大於活動週期的差距。
   • 使用 cast 將結果轉換為 bigint。
   • 使用 userWindow 上的 sum 來累積新的會話開始。

4. 找出每個會話的最早日期：

   • 使用 withColumn 新增 session 欄位。
   • 使用 userSessionWindow 上的 min 來找出每個會話的最早 login_date。
   • 刪除 session 欄位。

5. 範例：

   <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>

請注意，範例程式碼中缺少 sessionized 的定義，這是完成此解決方案的關鍵部分。 需要根據活動週期和登入日期計算 session 列。 這通常需要一個自訂函數或更複雜的視窗函數邏輯。 完整的解決方案需要補充這部分缺少的程式碼。

以上是如何使用視窗函數確定 Spark SQL 中的使用者活動日期？的詳細內容。更多資訊請關注PHP中文網其他相關文章！