如何在 pyspark 中对 spark 数据框中的多列求和？

Posted 2023-03-23

【中文标题】如何在 pyspark 中对 spark 数据框中的多列求和？

【英文标题】：How can I sum multiple columns in a spark dataframe in pyspark?

【发布时间】：2022-01-22 22:27:00

【问题描述】：

我有一个列名列表，我想求和

columns = ['col1','col2','col3']

如何添加这三个并将其放入新列中？ （以自动方式，以便我可以更改列列表并获得新结果）

带有我想要的结果的数据框：

col1   col2   col3   result
 1      2      3       6

【问题讨论】：

How do I add a new column to a Spark DataFrame (using PySpark)?的可能重复

感谢您的回答！我知道如何添加列，我只是想要一种基于列名列表添加它们的有效方法。

【参考方案1】：

[TL;DR,]

你可以这样做：

from functools import reduce
from operator import add
from pyspark.sql.functions import col

df.na.fill(0).withColumn("result" ,reduce(add, [col(x) for x in df.columns]))

说明：

df.na.fill(0) 部分用于处理数据中的空值。如果您没有任何空值，您可以跳过它并改为执行此操作：

df.withColumn("result" ,reduce(add, [col(x) for x in df.columns]))

如果你有静态的列列表，你可以这样做：

df.withColumn("result", col("col1") + col("col2") + col("col3"))

但如果您不想键入整个列列表，则需要迭代生成短语col("col1") + col("col2") + col("col3")。为此，您可以使用reduce 方法和add 函数来获得：

reduce(add, [col(x) for x in df.columns])

一次添加两列，因此您将获得col(col("col1") + col("col2")) + col("col3") 而不是col("col1") + col("col2") + col("col3")。但是效果是一样的。

col(x) 确保您获得的是 col(col("col1") + col("col2")) + col("col3") 而不是简单的字符串 concat（生成 (col1col2col3)。

【参考方案2】：

将列表中的多列添加到一列中

我尝试了很多方法，以下是我的观察：

PySpark 的 sum 函数不支持列添加（Pyspark 版本 2.3.1） 内置 python 的 sum 函数对某些人有效，但对其他人却报错。

因此，可以使用 PySpark 中的 expr 函数实现多列的添加，该函数将要计算的表达式作为输入。

from pyspark.sql.functions import expr

cols_list = ['a', 'b', 'c']

# Creating an addition expression using `join`
expression = '+'.join(cols_list)

df = df.withColumn('sum_cols', expr(expression))

这为我们提供了所需的列总和。我们还可以使用任何其他复杂的表达式来获得其他输出。

【参考方案3】：

试试这个：

df = df.withColumn('result', sum(df[col] for col in df.columns))

df.columns 将是来自 df 的列列表。

【讨论】：

我用下面的数据框复制了相同的内容并得到一个错误：listA = [(10,20,40,60),(10,10,10,40)] df = spark.createDataFrame( listA, ['M1','M2','M3','M4']) newdf = df.withColumn('result', sum(df[col] for col in df.columns)) 请看下面的错误。 TypeError：“列”对象不可调用。我错过了什么吗？？