Pyspark - 一次聚合数据框的所有列[重复]

Posted 2023-02-16

【中文标题】Pyspark - 一次聚合数据框的所有列[重复]

【英文标题】：Pyspark - Aggregate all columns of a dataframe at once [duplicate]

【发布时间】：2019-10-08 22:33:31

【问题描述】：

我想在单个列上对数据框进行分组，然后在所有列上应用聚合函数。

例如，我有一个 10 列的 df。我希望对第一列“1”进行分组，然后在所有剩余的列上应用聚合函数“sum”（都是数字）。

R 等价于 summarise_all。 前 R.

df = df%>%group_by(column_one)%>%summarise_all(funs(sum))

我不想在 pyspark 的聚合命令中手动输入列，因为数据框中的列数是动态的。

【参考方案1】：

以下是 pyspark 的示例：

df = spark.createDataFrame([(1,10,20,30),(1,10,20,30),(1,10,20,30)],['id','value1','value2','value3'])

exprs = x: "sum" for x in df.columns if x is not df.columns[0]

df.groupBy("id").agg(exprs).show()

#+---+-----------+-----------+-----------+
#| id|sum(value2)|sum(value1)|sum(value3)|
#+---+-----------+-----------+-----------+
#|  1|         60|         30|         90|
#+---+-----------+-----------+-----------+

这里df.columns[0] 代表df 的第一列。您还可以按名称指定 groupBy 列，如下所示。

exprs = x: "sum" for x in df.columns if x is not 'id'

【参考方案2】：

如果我要在 spark scala 中这样做，我会使用列名并定义如下聚合函数：

val df = List(("a", 1,2,3), ("a", 4,4,4)).toDF("id", "a", "b", "c")

// Note: df.columns.tail returns Array(a, b, c)
val aggs = df.columns.tail.map(_ -> "sum").toMap
//aggs: scala.collection.immutable.Map[String,String] = Map(a -> sum, b -> sum, c -> sum)

// Group by and execute aggregates:
df.groupBy($"id").agg(aggs).show
+---+------+------+------+
| id|sum(a)|sum(b)|sum(c)|
+---+------+------+------+
|  a|     5|     6|     7|
+---+------+------+------+

另一种选择是在所有指定的列名称上运行相同的sum：

df.groupBy($"id").sum(df.columns.tail: _*).show()  // to python users, :_* is a scala operator used to expand a list into a vararg

注意：您可能对此文档感兴趣： https://spark.apache.org/docs/latest/api/scala/#org.apache.spark.sql.RelationalGroupedDataset