Wie berechnet man Rolling Median in Pyspark mit Window()?

Question

Wie berechne ich Rolling Median von Dollar für eine Fenstergröße der vorherigen 3 Werte?

Eingangsdaten

dollars timestampGMT  
25  2017-03-18 11:27:18 
17  2017-03-18 11:27:19 
13  2017-03-18 11:27:20 
27  2017-03-18 11:27:21 
13  2017-03-18 11:27:22 
43  2017-03-18 11:27:23 
12  2017-03-18 11:27:24 

Erwartete Ausgangsdaten

dollars timestampGMT   rolling_median_dollar 
25  2017-03-18 11:27:18 median(25) 
17  2017-03-18 11:27:19 median(17,25) 
13  2017-03-18 11:27:20 median(13,17,25) 
27  2017-03-18 11:27:21 median(27,13,17) 
13  2017-03-18 11:27:22 median(13,27,13) 
43  2017-03-18 11:27:23 median(43,13,27) 
12  2017-03-18 11:27:24 median(12,43,13) 

Below Code nicht bewegt avg aber pyspark muß nicht F.median().

pyspark: rolling average using timeseries data

EDIT 1: Die Herausforderung ist median() Funktion nicht herausnimmt. Ich kann nicht

df = df.withColumn('rolling_average', F.median("dollars").over(w)) 

tun, wenn ich gleitenden Durchschnitt wollte ich

df = df.withColumn('rolling_average', F.avg("dollars").over(w)) 

EDIT 2 getan haben könnte: Versuchte mit approxQuantile()

windfun = Window().partitionBy().orderBy(F.col(date_column)).rowsBetwe‌​en(-3, 0) sdf.withColumn("movingMedian", sdf.approxQuantile(col='a', probabilities=[0.5], relativeError=0.00001).over(windfun)) 

Aber immer Fehler

AttributeError: 'list' object has no attribute 'over' 

EDIT 3

Bitte geben Sie eine Lösung ohne UDF, da es nicht von der Katalysatoroptimierung profitieren wird.

Answer 1

Eine Möglichkeit ist es, die $dollars Spalte als Liste pro Fenster zu sammeln, und dann den Median der Ergebnislisten berechnen unter Verwendung eines udf:

from pyspark.sql.window import Window 
from pyspark.sql.functions import * 
import numpy as np 
from pyspark.sql.types import FloatType 

w = (Window.orderBy(col("timestampGMT").cast('long')).rangeBetween(-2, 0)) 
median_udf = udf(lambda x: float(np.median(x)), FloatType()) 

df.withColumn("list", collect_list("dollars").over(w)) \ 
    .withColumn("rolling_median", median_udf("list")).show(truncate = False) 
+-------+---------------------+------------+--------------+ 
|dollars|timestampGMT   |list  |rolling_median| 
+-------+---------------------+------------+--------------+ 
|25  |2017-03-18 11:27:18.0|[25]  |25.0   | 
|17  |2017-03-18 11:27:19.0|[25, 17] |21.0   | 
|13  |2017-03-18 11:27:20.0|[25, 17, 13]|17.0   | 
|27  |2017-03-18 11:27:21.0|[17, 13, 27]|17.0   | 
|13  |2017-03-18 11:27:22.0|[13, 27, 13]|13.0   | 
|43  |2017-03-18 11:27:23.0|[27, 13, 43]|27.0   | 
|12  |2017-03-18 11:27:24.0|[13, 43, 12]|13.0   | 
+-------+---------------------+------------+--------------+