У меня есть кадр данных, который похож на следующую структуру:
# Prepare training data
training = spark.createDataFrame([
(990011, 1001, 01, "Salary", 1000, 0.0),
(990011, 1002, 02, "POS Purchase", 50, 0.0),
(990022, 1003, 01, "Cash Withdrawl", 500, 1.0),
(990022, 1004, 02, "Interest Charge", 35, 1.0)
], ["customer_id", "transaction_id", "week_of_year", "category", "amount", "label"])
Я могу динамически разворачивать эти данные, используя PySpark, что устраняет необходимость в заявлении о случаях жесткого кода для каждой недели и категории:
# Attempt 1
tx_pivot = training \
.withColumn("week_of_year", sf.concat(sf.lit("T"), sf.col("week_of_year"))) \
.groupBy("customer_id") \
.pivot("week_of_year") \
.sum("amount")
tx_pivot.show(20)
Я хотел бы разработать собственный Transformer для динамического изменения данных, чтобы я мог включить этот настраиваемый этап Transform в Spark ML Pipeline. К сожалению, текущий SQLTransfomer в Spark/PySpark поддерживает только SQL, например Eg 'SELECT... FROM THIS ' (см. Https://github.com/apache/spark/blob/master/python/pyspark/ml/feature.py).
Было бы высоко оценено любое руководство по тому, как создавать настраиваемый Transformer для динамически сворачиваемых данных.
Это довольно сложно реализовать пользовательский трансформатор, который принимает данные и возвращает другой фрейм данных. В твоем случае:
import pyspark.ml.pipeline.Transformer as Transformer
class PivotTransformer(Transformer):
def _transform(self, data):
return data.withColumn("week_of_year",sf.concat(sf.lit("T"),\
sf.col("week_of_year"))) \
.groupBy("customer_id") \
.pivot("week_of_year") \
.sum("amount")