ArrayType Pyspark 列中唯一元素行的平均值

Posted 2023-04-13

【中文标题】ArrayType Pyspark 列中唯一元素行的平均值

【英文标题】：Mean across rows of unique elements in ArrayType Pyspark column

【发布时间】：2020-06-17 18:41:06

【问题描述】：

我有一个大的 pyspark 数据框（23M 行），格式如下：

names, sentiment
["Lily","Kerry","Mona"], 10
["Kerry", "Mona"], 2
["Mona"], 0

我想计算 names 列中每个唯一名称的平均情绪，结果是：

name, sentiment
"Lily", 10
"Kerry", 6
"Mona", 4

【问题讨论】：

您是否尝试过一种正面的方法来爆炸数组、按名称分组并取平均值？数据框是否太大？

我没有抱歉，实际上效果很好

【参考方案1】：

简单地分解数组然后分组

Pyspark 等效

import pyspark.sql.functions as f
df1 = df.select(f.explode('names').alias('name'),'sentiment')

df1.groupBy('name').agg(f.avg('sentiment').alias('sentiment')).show()

【参考方案2】：

   val avgDF = Seq((Seq("Lily","Kerry","Mona"), 10),
      (Seq("Kerry", "Mona"), 2),
      (Seq("Mona"), 0)
  ).toDF("names", "sentiment")

  val avgDF1 = avgDF.withColumn("name", explode('names))
  val avgResultDF = avgDF1.groupBy("name").agg(avg(col("sentiment")))


  avgResultDF.show(false)
  //      +-----+--------------+
  //      |name |avg(sentiment)|
  //      +-----+--------------+
  //      |Lily |10.0          |
  //      |Kerry|6.0           |
  //      |Mona |4.0           |
  //      +-----+--------------+