如何转置数据帧以计算值是不是存在的标志?

Posted

技术标签:

【中文标题】如何转置数据帧以计算值是不是存在的标志?【英文标题】:How to transpose dataframe to calculate flag of whether value exists or not?如何转置数据帧以计算值是否存在的标志? 【发布时间】:2017-11-30 08:10:48 【问题描述】:

我有一个看起来像这样的数据名

Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL
.......
10000|DPS123|OTH

UserID 是标识用户的列,TypeExp 列定义了该月的支出类型,现在我有大约 5 种不同的支出可能,即

TypeExpList=[电影、游戏、服装、医疗、其他]

现在我想将其转换为用户级别的数据帧,其中有一个 0 或 1 二进制变量存储信息天气或用户“X”是否完成了上述支出类型

例如在上面的快照数据帧输出应该看起来像

User| TypeExpList         #Type list is this array corresponding entry's [MOVIE,GAMES,CLOTHING,MEDICAL,OTH]
JAS123 |[1,0,1,0,1]      #since user has done expenditure on Movie,CLOTHING,OTHER Category 
ASP123 |[0,1,0,1,0]       #since User expenditure on  GAMES & MEDICAL
DPS123 |[1,0,1,0,1]         #since user expenditure on  MOVIE,CLOTHING & OTHER
POQ133 |[0,0,0,1,0]        #since User Expenditure on MEDICAL only 

【问题讨论】:

【参考方案1】:

这是你的输入数据集。

$ cat input.csv
Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL

有了这个,你在UserID上做pivot而不是groupBy

val bins = spark
  .read
  .option("sep", "|")
  .option("header", true)
  .csv("input.csv")
  .groupBy("UserID")
  .pivot("TypeExp")
  .count
  .na
  .fill(0)
scala> bins.show
+------+--------+-----+-------+-----+---+
|UserID|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|POQ133|       0|    0|      1|    0|  0|
|JAS123|       1|    0|      0|    1|  1|
|DPS123|       1|    0|      0|    1|  0|
|ASP123|       0|    1|      1|    0|  0|
+------+--------+-----+-------+-----+---+

你有你的0s 和1s。最后一个技巧是在列上使用array 来构建正确的输出,其中位置表示支出。

val solution = bins.select(
  $"UserID" as "User",
  array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

鉴于支出可能发生零次、一次或多次,count 超出支出可能会给出01 或更高的数字。

您可以使用 UDF 对值进行二值化,并确保仅使用 0s 和 1s。

val binarizer = udf  count: Long => if (count > 0) 1 else 0 
val binaryCols = bins
  .columns
  .filterNot(_ == "UserID")
  .map(col)
  .map(c => binarizer(c) as c.toString)
val selectCols = ($"UserID" as "User") +: binaryCols
val solution = bins
  .select(selectCols: _*)
  .select(
    $"User",
    array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

【讨论】:

【参考方案2】:

crosstab 将完成大部分工作:

val table = df.stat.crosstab("UserID", "TypeExp")

+--------------+--------+-----+-------+-----+---+
|UserID_TypeExp|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+--------------+--------+-----+-------+-----+---+
|        ASP123|       0|    1|      1|    0|  0|
|        DPS123|       1|    0|      0|    1|  0|
|        JAS123|       1|    0|      0|    1|  1|
|        POQ133|       0|    0|      1|    0|  0|
+--------------+--------+-----+-------+-----+---+

并且可以很好地与强类型 API 耦合:

table.map(_.toSeq match 
  case Seq(id: String, cnts @ _*) => 
    (id, cnts.map(c => if(c != 0) 1 else 0))).toDF("UserId", "TypeExp")

+------+---------------+
|UserId|        TypeExp|
+------+---------------+
|ASP123|[0, 1, 1, 0, 0]|
|DPS123|[1, 0, 0, 1, 0]|
|JAS123|[1, 0, 0, 1, 1]|
|POQ133|[0, 0, 1, 0, 0]|
+------+---------------+

【讨论】:

【参考方案3】:

解决方案在 Scala 中,但在 PySpark 中也应该有点相似,因为它使用 DSL。 Spark 1.6+ 提供 Pivot

val pivotDf = df.groupBy($"userid").pivot("typeexp").agg(count($"typeexp") )

pivotDf.show
+------+--------+-----+-------+-----+---+
|userid|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|DPS123|       1|    0|      0|    1|  0|
|JAS123|       1|    0|      0|    1|  1|
|ASP123|       0|    1|      1|    0|  0|
|POQ133|       0|    0|      1|    0|  0|
+------+--------+-----+-------+-----+---+

pivotDf.selectExpr("userid", "array(movie, games, clothing, medical,oth) as  TypExpList")
       .show
+------+---------------+
|userid|     TypExpList|
+------+---------------+
|DPS123|[1, 0, 1, 0, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|ASP123|[0, 1, 0, 1, 0]|
|POQ133|[0, 0, 0, 1, 0]|
+------+---------------+

【讨论】:

以上是关于如何转置数据帧以计算值是不是存在的标志?的主要内容,如果未能解决你的问题,请参考以下文章

如何使用 fstream::open() 检查 C++ 中是不是存在文件

如何将 3 个 Pandas 数据帧合并到第 4 个数据帧以匹配列值名称?

如何检查数据表中是不是存在值

转置和计算皮尔逊相关性

SRRS如何检查数据集中是不是存在某个值

如何检查 Firebase 实时数据库(Dart/Flutter)中是不是存在值?