Excel中的COLUMN函数与COLUMNS函数的使用

Posted 2023-05-08

参考技术A

　　COLUMN函数的功能是查看所选择的某一个单元格所在第几列，COLUMNS函数的功能是查看所选择的某一个连续范围内的一系列单元格的总列数，即这个连续范围内一共有多少列。下面和我一起看看COLUMN函数与COLUMNS函数的使用教程吧。

　　 Excel 中的COLUMN函数与COLUMNS函数的使用

　　打开Moicrosoft Excel 工作表，选中单元格，点击公式，点击插入函数，如下图所示。

Excel中的COLUMN函数与COLUMNS函数的使用图1

　　在插入函数出输入COLUMN，选中COLUMN函数。

Excel中的COLUMN函数与COLUMNS函数的使用图2

　　点击确定后出现该界面，然后在该界面的参照区域出选择单元格。

Excel中的COLUMN函数与COLUMNS函数的使用图3

　　列如选择”C97“，如下图所示。

Excel中的COLUMN函数与COLUMNS函数的使用图4

　　点击确定，算出该单元格所在的列数。

Excel中的COLUMN函数与COLUMNS函数的使用图5

　　选中单元格，点击公式，点击插入函数，在查找函数处输入COLUMNS，然后选中COLUMNS函数，点击确定。

Excel中的COLUMN函数与COLUMNS函数的使用图6

　　选中自己想要的单元格区域，例如“A96:D105”，如下图所示。

Excel中的COLUMN函数与COLUMNS函数的使用图7

　　点击确定，得出改数组中的列数。

Excel中的COLUMN函数与COLUMNS函数的使用图8 猜你喜欢：

1. excel如何运用SUBTOTAL函数

2. excel用关联函数把表格数据关联的教程

3. excel 列函数row的使用方法

4. excel获取列号函数的使用教程

5. 怎么用Excel的VlookUp函数和&连接符制作标签

6. 怎么在excel中使用ln函数

何时使用 UDF 与 PySpark 中的函数？ [复制]

【中文标题】何时使用 UDF 与 PySpark 中的函数？ [复制]

【英文标题】：When to use a UDF versus a function in PySpark? [duplicate]

【发布时间】：2019-09-26 18:46:55

【问题描述】：

我将 Spark 与 Databricks 结合使用，并具有以下代码：

def replaceBlanksWithNulls(column):
    return when(col(column) != "", col(column)).otherwise(None)

以下两个语句都有效：

x = rawSmallDf.withColumn("z", replaceBlanksWithNulls("z"))

并使用 UDF：

replaceBlanksWithNulls_Udf = udf(replaceBlanksWithNulls)
y = rawSmallDf.withColumn("z", replaceBlanksWithNulls_Udf("z"))

我不清楚documentation 什么时候应该使用一个而不是另一个，为什么？

【参考方案1】：

UDF 本质上可以是任何类型的函数（当然也有例外） - 不必使用诸如 when、col 等 Spark 结构。通过使用 UDF replaceBlanksWithNulls函数可以写成普通的python代码：

def replaceBlanksWithNulls(s):
    return "" if s != "" else None

注册后可以在数据框列上使用：

replaceBlanksWithNulls_Udf = udf(replaceBlanksWithNulls)
y = rawSmallDf.withColumn("z", replaceBlanksWithNulls_Udf("z"))

注意：UDF 的默认返回类型是字符串。如果需要其他类型，注册时必须指定，例如

from pyspark.sql.types import LongType
squared_udf = udf(squared, LongType())

---

在这种情况下，列操作并不复杂，并且有 Spark 函数可以实现相同的目标（即问题中的replaceBlanksWithNulls：

x = rawSmallDf.withColumn("z", when(col("z") != "", col("z")).otherwise(None))

这是总是首选，因为它允许 Spark 优化查询，参见例如Spark functions vs UDF performance?

【讨论】：

感谢您的解释 - 我发现内联编写 PySpark 代码（更高效）意味着我可以重用代码。举个简单的例子，假设我想扩展函数 replaceBlanksWithNulls 并将 NAN 或另一个值替换为 null - 而不是只在一个地方更改它，我必须找到我使用内联代码的所有地方。所以它可能更有效，但我发现它不适合重用......想法？

@Rodney：我建议您在您的问题中继续使用诸如replaceBlanksWithNulls 方法之类的方法。它不是 udf，因为它返回一个可用于一个/多个列的表达式。这种方法的性能相当于“普通”内联代码，同时允许您在一个地方进行扩展。

【参考方案2】：

您可以在 Spark SQL 中找到差异（如文档中所述）。例如，你可以发现，如果你写：

spark.sql("select replaceBlanksWithNulls(column_name) from dataframe")

如果您没有将函数replaceBlanksWithNulls 注册为udf，则不起作用。在 spark sql 中，我们需要知道执行的函数的返回类型。因此，我们需要将自定义函数注册为用户自定义函数（udf），以便在 spark sql 中使用。

【讨论】：

谢谢 - 你是说在 PySpark 中没有区别（例如性能相同？

@Rodney 很高兴。正如Shaido的回答中提到的那样，这个问题得到了***.com/q/38296609/3768871的回答。