从 Pyspark 中的数据框中计算空值和非空值

Posted 2023-04-15

【中文标题】从 Pyspark 中的数据框中计算空值和非空值

【英文标题】：Counting nulls and non-nulls from a dataframe in Pyspark

【发布时间】：2019-05-22 00:59:42

【问题描述】：

我在 Pyspark 中有一个数据框，我想在其上计算列中的空值以及这些相应列的不同值，即非空值

这是我拥有的数据框

trans_date   transaction_id    transaction_id1
2016-01-01     1                  1
2016-01-01     2                 null
2016-01-01     null               3

我想对月份和年份进行聚合并生成类似的东西

| month | year | id_count_in_x_not_in_y | id_count_in_y_not_in_x | ids_in_x | ids_in_y |

df.groupBy(F.month(F.col("trans_date")).alias("MONTH"), \
                            F.year(F.col("trans_date")).alias("YEAR")) \
  .agg(*(F.sum(F.col(c).isNull().cast("int")).alias(c) for c in columns))\
  .show()

这就是我在代码方面所拥有的，但它似乎并没有给我很好的答案。此外，应该如何在同一代码中进行非空计数。 任何帮助，将不胜感激。 谢谢！

【问题讨论】：

请提供预期结果的样本。

【参考方案1】：

首先，按年和月分组。我们可以计算每列中每组的空值和非空值，并在转换为整数后求和；这部分很简单。

对于出现在一列中但不在另一列中的元素的计数，我们可以使用collect_set，它将唯一元素聚合到一个数组中，并结合array_except：

from pyspark.sql import functions as F
from pyspark.sql.types import IntegerType

result = (df
     .groupBy(F.year('date').alias('year'), F.month('date').alias('month'))
     .agg(F.sum(F.isnull('x').cast(IntegerType())).alias('x_null'),
          F.sum(F.isnull('y').cast(IntegerType())).alias('y_null'),
          F.sum((~F.isnull('x')).cast(IntegerType())).alias('x_not_null'),
          F.sum((~F.isnull('y')).cast(IntegerType())).alias('y_not_null'),
          F.collect_set('x').alias('x_unique'),
          F.collect_set('y').alias('y_unique'))
     .withColumn('x_not_in_y_count', F.size(F.array_except('x_unique', 'y_unique')))
     .withColumn('y_not_in_x_count', F.size(F.array_except('y_unique', 'x_unique')))
     .drop('x_unique', 'y_unique')
     .orderBy('year', 'month')
)

给定以下测试数据：

+----------+----+----+
|      date|   x|   y|
+----------+----+----+
|1991-01-01|null|   2|
|1991-01-02|   1|null|
|1991-01-03|   2|   3|
|1991-02-01|null|   1|
|1991-02-02|null|   2|
+----------+----+----+

这是输出：

+----+-----+------+------+----------+----------+----------------+----------------+
|year|month|x_null|y_null|x_not_null|y_not_null|x_not_in_y_count|y_not_in_x_count|
+----+-----+------+------+----------+----------+----------------+----------------+
|1991|    1|     1|     1|         2|         2|               1|               1|
|1991|    2|     2|     0|         0|         2|               0|               2|
+----+-----+------+------+----------+----------+----------------+----------------+

【讨论】：

哇，非常感谢。我在做这件事的时候很挣扎。我只有一个问题，我已经通过外部连接获得了您提供的测试数据。因此，获得x_not_in_y_count 和y_not_in_x_count 不只是空值计数

@ManasJani 你加入什么？我自己制作了测试数据。对不起，我不太明白。

我刚刚加入了我提到的事务ID，然后创建了一个最终的数据框。最终目标基本上是得到有问题的结果数据集。