Wie können Spark SQL-Fensterfunktionen Benutzeraktivitätszeiträume basierend auf komplexen zeitlichen Bedingungen identifizieren?

Verwenden Sie Spark SQL-Fensterfunktionen, um Benutzeraktivitätszyklen basierend auf komplexen Zeitbedingungen zu identifizieren

Die Fensterfunktionen von Spark SQL bieten einen leistungsstarken Mechanismus zum Durchführen von Berechnungen für eine Reihe von Zeilen innerhalb eines bestimmten Zeitbereichs oder einer bestimmten Partition. Eine häufige Anwendung besteht darin, den Beginn eines Benutzeraktivitätszyklus basierend auf bestimmten Bedingungen zu bestimmen.

Definitionsfenster

Dazu definieren wir zwei Fenster:

• userWindow: Partitioniert nach user_name und sortiert nach login_date.
• userSessionWindow: Partitioniert nach user_name und session, was später festgelegt wird.

Identifiziert den Beginn einer neuen Sitzung

Der Schlüssel zum Bestimmen, wann eine neue Sitzung beginnt, ist der Vergleich der Anmeldedaten aufeinanderfolgender Zeilen. Wenn die Differenz zwischen zwei aufeinanderfolgenden Anmeldedaten mehr als 5 Tage beträgt, wird eine neue Sitzung identifiziert. Wir erfassen dies mit dem folgenden Code:

<code class="language-scala">val newSession =  (coalesce(
  datediff($"login_date", lag($"login_date", 1).over(userWindow)),
  lit(0)
) > 5).cast("bigint")</code>

Sitzungs-ID zuweisen

Jetzt können wir jeder Zeile eine Sitzungs-ID zuweisen, indem wir die userWindow-Werte auf newSession summieren:

<code class="language-scala">val sessionized = df.withColumn("session", sum(newSession).over(userWindow))</code>

Aktivdatum bestätigen

Schließlich bestimmen wir das userSessionWindow Datum für jede Sitzung, indem wir das kleinste login_date innerhalb jeder became_active finden:

<code class="language-scala">val result = sessionized
  .withColumn("became_active", min($"login_date").over(userSessionWindow))
  .drop("session")</code>

Beispiel

Verwenden Sie die bereitgestellten Beispieldaten:

<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")</code>

Das Ergebnis wird sein:

<code>+----------------+----------+-------------+
|       user_name|login_date|became_active|
+----------------+----------+-------------+
|  OprahWinfreyJr|2012-01-10|   2012-01-10|
|SirChillingtonIV|2012-01-04|   2012-01-04|
|SirChillingtonIV|2012-01-11|   2012-01-11|
|SirChillingtonIV|2012-01-14|   2012-01-11|
|SirChillingtonIV|2012-08-11|   2012-08-11|
|Booooooo99900098|2012-01-04|   2012-01-04|
|Booooooo99900098|2012-01-06|   2012-01-04|
+----------------+----------+-------------+</code>

Dies zeigt, wie Fensterfunktionen in Spark SQL verwendet werden, um komplexe Bedingungen für Zeitdaten effizient zu bestimmen.

Das obige ist der detaillierte Inhalt vonWie können Spark SQL-Fensterfunktionen Benutzeraktivitätszeiträume basierend auf komplexen zeitlichen Bedingungen identifizieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!