计算每行并在 DataFrame PySpark 中添加新列 - 更好的解决方案？

Posted 2023-04-17

【中文标题】计算每行并在 DataFrame PySpark 中添加新列 - 更好的解决方案？

【英文标题】：Calculate per row and add new column in DataFrame PySpark - better solution?

【发布时间】：2017-01-21 14:28:09

【问题描述】：

我在 PySpark 中使用数据框 我有以下任务：检查每列中有多少“次”值对于所有列都大于 2。对于 u1 它是 0，对于 u2 => 2 等等

user    a   b   c   d   times
   u1   1   0   1   0   0
   u2   0   1   4   3   2
   u3   2   1   7   0   1

我的解决方案如下。它有效，我不确定这是不是最好的方法，也没有尝试过真正的大数据。我不喜欢转换为 rdd 并返回数据框。有更好的吗？我一开始是按每列的 UDF 计算的，但没有找到一种方法来累积和汇总每行的所有结果：

def calculate_times(row):
    times = 0
    for index, item in enumerate(row):
        if not isinstance(item, basestring):
           if item > 2:
             times = times+1

return times    

def add_column(pair):
    return dict(pair[0].asDict().items() + [("is_outlier", pair[1])])   

def calculate_times_for_all(df): 
    rdd_with_times = df.map(lambda row: (calculate_times(row))
    rdd_final = df.rdd.zip(rdd_with_times).map(add_column)

    df_final = sqlContext.createDataFrame(rdd_final)
    return  df_final

对于这个解决方案，我使用了这个主题 How do you add a numpy.array as a new column to a pyspark.SQL DataFrame?

谢谢！

【参考方案1】：

这只是一个简单的单行。示例数据：

df = sc.parallelize([
    ("u1", 1, 0, 1, 0), ("u2", 0, 1, 4, 3), ("u3", 2, 1, 7, 0)
]).toDF(["user", "a", "b", "c", "d"])

withColumn:

df.withColumn("times", sum((df[c] > 2).cast("int") for c in df.columns[1:]))

结果：

+----+---+---+---+---+-----+
|user|  a|  b|  c|  d|times|
+----+---+---+---+---+-----+
|  u1|  1|  0|  1|  0|    0|
|  u2|  0|  1|  4|  3|    2|
|  u3|  2|  1|  7|  0|    1|
+----+---+---+---+---+-----+

注意：

它的列是nullable，你应该纠正它，例如使用coalesce：

from pyspark.sql.functions import coalesce

sum(coalesce((df[c] > 2).cast("int"), 0) for c in df.columns[1:])