过滤 Pyspark 中列的动态唯一组合

Posted 2023-04-15

【中文标题】过滤 Pyspark 中列的动态唯一组合

【英文标题】：Filter on dynamic unique combinations of columns in Pyspark

【发布时间】：2020-08-23 07:25:49

【问题描述】：

我将 df1 作为原始数据框，df2 具有 A 和 B 的唯一组合，结果是每个唯一组合的 Amount col 的平均值。见下文：

df1 -> df2：

Combination = df1.crosstab("A", "B") 现在可以使用 df2 中当前的值应用过滤器，但挑战在于 df2 可以随着 df1 随时间变化而动态变化。因此，无法手动修复过滤器。 （如下图）

Result = df1.withColumn("Avg", when(col("A")=="AI3 & col("B")=="AI5), avg(col("Amount"))
………...

需要读取和映射 df2 组合以有效过滤和获取结果。

【参考方案1】：

如果要保留第一个数据帧，请使用Window。

import pyspark.sql.functions as f
from pyspark.sql import Window

w = Window.partitionBy('A', 'B')

df.withColumn('avg', f.avg('Amount').over(w)).show()

+---+---+------+----+
|  A|  B|Amount| avg|
+---+---+------+----+
|AI8|AI5|    75|50.0|
|AI8|AI5|    25|50.0|
|AI3|AI5|    20|20.0|
|AI3|AI5|    30|20.0|
|AI3|AI5|    10|20.0|
|AI5|AI3|    80|80.0|
+---+---+------+----+

---

我不明白你为什么需要数据框df2。只需按df1 分组并获得每个A 和B 的平均值，这就是您想要的。那些列的 Group by 已经实现了不同的列组合。

df.groupBy('A', 'B').avg('Amount').show()

+---+---+-----------+
|  A|  B|avg(Amount)|
+---+---+-----------+
|AI8|AI5|       50.0|
|AI3|AI5|       20.0|
|AI5|AI3|       80.0|
+---+---+-----------+

【讨论】：

对不起，我要找的结果是 df1+Avg 列，所以可能是df1.join(df.groupBy('A', 'B').avg('Amount'), 'left')。将编辑问题。谢谢。

那你最好使用Window。