对 spark 数据帧的同一列进行多个聚合操作

Question

我有三个字符串类型的数组，其中包含以下信息：

groupBy 数组：包含我要作为数据分组依据的列的名称。
聚合数组：包含我要聚合的列的名称。
operations 数组：包含我要执行的聚合操作

我正在尝试使用 spark 数据帧来实现这一点。 Spark 数据帧提供了一个 agg() ，您可以在其中传递一个 Map [String,String] （列名和相应的聚合操作）作为输入，但是我想对数据的同一列执行不同的聚合操作。关于如何实现这一点有什么建议吗？

Answer 1

Scala:

例如，您可以映射具有从名称到函数的已定义 mapping 的函数列表：

import org.apache.spark.sql.functions.{col, min, max, mean}
import org.apache.spark.sql.Column

val df = Seq((1L, 3.0), (1L, 3.0), (2L, -5.0)).toDF("k", "v")
val mapping: Map[String, Column => Column] = Map(
  "min" -> min, "max" -> max, "mean" -> avg)

val groupBy = Seq("k")
val aggregate = Seq("v")
val operations = Seq("min", "max", "mean")
val exprs = aggregate.flatMap(c => operations .map(f => mapping(f)(col(c))))

df.groupBy(groupBy.map(col): _*).agg(exprs.head, exprs.tail: _*).show
// +---+------+------+------+
// |  k|min(v)|max(v)|avg(v)|
// +---+------+------+------+
// |  1|   3.0|   3.0|   3.0|
// |  2|  -5.0|  -5.0|  -5.0|
// +---+------+------+------+

或

df.groupBy(groupBy.head, groupBy.tail: _*).agg(exprs.head, exprs.tail: _*).show

不幸的是，内部使用的解析器 SQLContext 并未公开，但您始终可以尝试构建简单的 SQL 查询：

df.registerTempTable("df")
val groupExprs = groupBy.mkString(",")
val aggExprs = aggregate.flatMap(c => operations.map(
  f => s"$f($c) AS ${c}_${f}")
).mkString(",")

sqlContext.sql(s"SELECT $groupExprs, $aggExprs FROM df GROUP BY $groupExprs")

Python:

from pyspark.sql.functions import mean, sum, max, col

df = sc.parallelize([(1, 3.0), (1, 3.0), (2, -5.0)]).toDF(["k", "v"])
groupBy = ["k"]
aggregate = ["v"] 
funs = [mean, sum, max]

exprs = [f(col(c)) for f in funs for c in aggregate]

# or equivalent df.groupby(groupBy).agg(*exprs)
df.groupby(*groupBy).agg(*exprs)

另请参阅：

Answer 2

对于那些想知道的人，如何在 python 中没有列表理解的情况下编写@zero323 答案：

from pyspark.sql.functions import min, max, col
# init your spark dataframe

expr = [min(col("valueName")),max(col("valueName"))]
df.groupBy("keyName").agg(*expr)

Answer 3

case class soExample(firstName: String, lastName: String, Amount: Int)
val df =  Seq(soExample("me", "zack", 100)).toDF

import org.apache.spark.sql.functions._

val groupped = df.groupBy("firstName", "lastName").agg(
     sum("Amount"),
     mean("Amount"), 
     stddev("Amount"),
     count(lit(1)).alias("numOfRecords")
   ).toDF()

display(groupped)

// Courtesy Zach ..

Zach 简化了 post 标记为重复的答案

Answer 4

这是使用 Scala 时在同一列上应用不同聚合函数的另一种直接方法（已在 Azure Databricks 中测试过）。

val groupByColName = "Store"
val colName = "Weekly_Sales"

df.groupBy(groupByColName)
  .agg(min(colName),
       max(colName),
       round(avg(colName), 2))
  .show()

Answer 5

例如，如果你想计算 pyspark 数据帧中每一列中零的百分比，我们可以使用表达式在数据帧的每一列上执行

from pyspark.sql.functions import count,col

    def count_zero_percentage(c):
        
        pred = col(c)==0
        return sum(pred.cast("integer")).alias(c)
    
    df.agg(*[count_zero_percentage(c)/count('*').alias(c) for c in df.columns]).show()

Answer 6

做类似的事情

from pyspark.sql import functions as F

df.groupBy('groupByColName') \
  .agg(F.sum('col1').alias('col1_sum'),
       F.max('col2').alias('col2_max'),
       F.avg('col2').alias('col2_avg')) \
  .show()

对 spark 数据帧的同一列进行多个聚合操作

Multiple Aggregate operations on the same column of a spark dataframe

dataframe

apache-spark

apache-spark-sql