SQL-vensterfuncties

Introductie tot Spark SQL in Python

Mark Plutowski

Data Scientist

Wat is een SQL-vensterfunctie?

Druk bewerkingen eenvoudiger uit dan met dotnotatie of queries
Elke rij gebruikt waarden uit andere rijen voor zijn resultaat

Een treindienstregeling

trein_id	station	tijd
324	San Francisco	7:59
324	22nd Street	8:03
324	Millbrae	8:16
324	Hillsdale	8:24
324	Redwood City	8:31
324	Palo Alto	8:37
324	San Jose	9:05

Kolom: tijd tot volgende stop toegevoegd

trein_id	station	tijd	tijd_tot_volgende_stop
324	San Francisco	7:59	4 min
324	22nd Street	8:03	13 min
324	Millbrae	8:16	8 min
324	Hillsdale	8:24	7 min
324	Redwood City	8:31	6 min
324	Palo Alto	8:37	28 min
324	San Jose	9:05	null

Kolom met tijd van volgende stop

trein_id	station	tijd	tijd (volgende rij)
324	San Francisco	7:59	8:03
324	22nd Street	8:03	8:16
324	Millbrae	8:16	8:24
324	Hillsdale	8:24	8:31
324	Redwood City	8:31	8:37
324	Palo Alto	8:37	9:05
324	San Jose	9:05	null

OVER- en ORDER BY-clausules

query = """
SELECT train_id, station, time, 
LEAD(time, 1) OVER (ORDER BY time) AS time_next 
FROM sched 
WHERE train_id=324 """

spark.sql(query).show()

+--------+-------------+-----+---------+
|train_id|      station| time|time_next|
+--------+-------------+-----+---------+
|     324|San Francisco|7:59 |    8:03 |
|     324|  22nd Street|8:03 |    8:16 |
|     324|     Millbrae|8:16 |    8:24 |
|     324|    Hillsdale|8:24 |    8:31 |
|     324| Redwood City|8:31 |    8:37 |
|     324|    Palo Alto|8:37 |    9:05 |
|     324|     San Jose|9:05 |    null |
+--------+-------------+-----+---------+

PARTITION BY-clausule

SELECT 
trein_id, 
station, 
tijd, 
LEAD(tijd,1) OVER (PARTITION BY trein_id ORDER BY tijd) AS tijd_volgende 
FROM sched

Resultaat met PARTITION BY

+--------+-------------+-----+-----------+
|train_id|      station| time|time_next  |
+--------+-------------+-----+-----------+
|     217|       Gilroy|6:06 |    6:15   |
|     217|   San Martin|6:15 |    6:21   |
|     217|  Morgan Hill|6:21 |    6:36   |
|     217| Blossom Hill|6:36 |    6:42   |
|     217|      Capitol|6:42 |    6:50   |
|     217|       Tamien|6:50 |    6:59   |
|     217|     San Jose|6:59 |    null   |
|     324|San Francisco|7:59 |    8:03   |
|     324|  22nd Street|8:03 |    8:16   |
|     324|     Millbrae|8:16 |    8:24   |
|     324|    Hillsdale|8:24 |    8:31   |
|     324| Redwood City|8:31 |    8:37   |
|     324|    Palo Alto|8:37 |    9:05   |
|     324|     San Jose|9:05 |    null   |
+--------+-------------+-----+-----------+

trein_id	station	tijd	tijd_tot_volgende_stop
324	San Francisco	7:59	4 min
324	22nd Street	8:03	13 min
324	Millbrae	8:16	8 min
324	Hillsdale	8:24	7 min
324	Redwood City	8:31	6 min
324	Palo Alto	8:37	28 min
324	San Jose	9:05	null

Laten we oefenen!

Introductie tot Spark SQL in Python