pySpark Dataframe 聚合的多个标准

Question

我有一个 pySpark 数据框，如下所示：

+-------------+----------+
|          sku|      date|
+-------------+----------+
|MLA-603526656|02/09/2016|
|MLA-603526656|01/09/2016|
|MLA-604172009|02/10/2016|
|MLA-605470584|02/09/2016|
|MLA-605502281|02/10/2016|
|MLA-605502281|02/09/2016|
+-------------+----------+

我想按 sku 分组，然后计算最小和最大日期。如果我这样做：

df_testing.groupBy('sku') \
    .agg({'date': 'min', 'date':'max'}) \
    .limit(10) \
    .show()

行为与 Pandas 相同，我只得到 sku 和 max(date) 列。在 Pandas 中，我通常会执行以下操作以获得我想要的结果：

df_testing.groupBy('sku') \
    .agg({'day': ['min','max']}) \
    .limit(10) \
    .show()

但是在 pySpark 上这不起作用，我收到 java.util.ArrayList cannot be cast to java.lang.String 错误。谁能告诉我正确的语法？

谢谢。

Answer 1

你不能使用字典。使用：

>>> from pyspark.sql import functions as F
>>>
>>> df_testing.groupBy('sku').agg(F.min('date'), F.max('date'))

pySpark Dataframe 聚合的多个标准

multiple criteria for aggregation on pySpark Dataframe

apache-spark

pyspark

spark-dataframe