視窗函數如何透過 5 天活動期重置來識別使用者啟動狀態？

使用 Spark 視窗函數定義具有複雜條件的使用者活動

此範例示範如何使用 Spark 視窗函數來決定使用者啟動狀態，考慮 5 天的活動期，該期在後續登入時重置。 我們獲得了一個用戶登入的 DataFrame，目的是添加一個列來顯示每個用戶何時變得活躍。

方法：利用視窗函數

我們的方法使用視窗函數來識別觸發活動狀態重置的登入事件。 將建立一個視窗來按使用者和日期排序登入。 滯後此視窗可以比較目前和先前的登入時間。

<code class="language-scala">import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._

val window = Window.partitionBy("user_name").orderBy("login_date")
val df2 = df.withColumn("previous_login", lag("login_date", 1).over(window))</code>

解決活動狀態重置

became_active 日期是透過檢查上次登入 ( previous_login ) 是否在 5 天的活躍期內來確定的。如果previous_login為空（首次登入）或時間差（login_date - previous_login）小於5天，則became_active設定為目前login_date。否則，該過程將遞歸地繼續，直到滿足此條件。

Spark 實作（版本 >= 3.2）

Spark 3.2 及更高版本提供本機會話窗口支持，簡化了此任務（有關詳細信息，請參閱官方文檔）。

Spark 實作（舊版）

對於較舊的 Spark 版本，需要解決方法：

1. 定義使用者分區和會話識別的視窗：

<code class="language-scala">val userWindow = Window.partitionBy("user_name").orderBy("login_date")
val userSessionWindow = Window.partitionBy("user_name", "session")</code>

2. 根據登入間隙辨識會話起點：

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

3. 建立一個會話化 DataFrame 並尋找每個會話中的最早登入日期：

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

範例輸出

以下輸出示範了使用範例資料集的結果：

<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>

以上是視窗函數如何透過 5 天活動期重置來識別使用者啟動狀態？的詳細內容。更多資訊請關注PHP中文網其他相關文章！