将多个 groupBy 函数合并为 1

Question

使用此代码查找模态：

import numpy as np
np.random.seed(1)

df2 = sc.parallelize([
    (int(x), ) for x in np.random.randint(50, size=10000)
]).toDF(["x"])

cnts = df2.groupBy("x").count()
mode = cnts.join(
    cnts.agg(max("count").alias("max_")), col("count") == col("max_")
).limit(1).select("x")
mode.first()[0]

来自

returns 错误：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-53-2a9274e248ac> in <module>()
      8 cnts = df.groupBy("x").count()
      9 mode = cnts.join(
---> 10     cnts.agg(max("count").alias("max_")), col("count") == col("max_")
     11 ).limit(1).select("x")
     12 mode.first()[0]

AttributeError: 'str' object has no attribute 'alias'

我正在尝试这个自定义解决方案，而不是这个解决方案：

df.show()

cnts = df.groupBy("c1").count()
print cnts.rdd.map(tuple).sortBy(lambda a: a[1], ascending=False).first()

cnts = df.groupBy("c2").count()
print cnts.rdd.map(tuple).sortBy(lambda a: a[1] , ascending=False).first()

其中 returns :

所以 c1 和 c2 的模态分别是 2.0 和 3.0

这可以应用于数据框中的所有列 c1,c2,c3,c4,c5 而不是像我所做的那样明确选择每一列吗？

Answer 1

您似乎在使用内置 max，而不是 SQL 函数。

import pyspark.sql.functions as F

cnts.agg(F.max("count").alias("max_"))

要在多个相同类型的列上查找众数，您可以将其整形为长（melt，如中所定义）：

(melt(df, [], df.columns)
    # Count by column and value
    .groupBy("variable", "value")
    .count()
    # Find mode per column
    .groupBy("variable")
    .agg(F.max(F.struct("count", "value")).alias("mode"))
    .select("variable", "mode.value"))

+--------+-----+
|variable|value|
+--------+-----+
|      c5|  6.0|
|      c1|  2.0|
|      c4|  5.0|
|      c3|  4.0|
|      c2|  3.0|
+--------+-----+

将多个 groupBy 函数合并为 1

Combining multiple groupBy functions into 1

apache-spark

apache-spark-sql

pyspark

pyspark-sql