Pandas .apply Loc 到 Pyspark
Posted
技术标签:
【中文标题】Pandas .apply Loc 到 Pyspark【英文标题】:Pandas .apply Loc to Pyspark 【发布时间】:2017-10-25 14:56:17 【问题描述】:我对 Pandas 做了一些工作。现在我需要在 Pyspark 上做同样的事情,这个任务似乎很棘手!
这是我的代码:
import pandas as pd
def av_years(df,start,end):
return df.loc[df['year'].isin(range(start,end+1))]['B'].mean()
然后我创建了一个数据框:
raw_data =
'year': [2010,2011,2012,2013],
'B': [2,3,5,4],'startyear':[2012,2010,2011,2011],'endyear':
[2012,2013,2013,2013]
df = pd.DataFrame(raw_data)
df
这是我的结果:
B endyear startyear year
0 2 2012 2012 2010
1 3 2013 2010 2011
2 5 2013 2011 2012
3 4 2013 2011 2013
最后一步是创建一个从数据框派生的新列:
df['av'] = df.apply(lambda row: av_years(df,row['startyear'],
row['endyear']), axis=1)
df
我的最终结果是:
B endyear startyear year av
0 2 2012 2012 2010 5.0
1 3 2013 2010 2011 3.5
2 5 2013 2011 2012 4.0
3 4 2013 2011 2013 4.0
我需要使用 PySpark 获取同一张表!一些建议?
谢谢
【问题讨论】:
【参考方案1】:对于数据帧中的每一行,您都要遍历数据帧的所有行(复杂度 n²)。这相当于进行自联接。
在对验证条件r2.year.isin(range(r1.startyear, r1.endyear + 1))
的行对(r1, r2)
进行过滤后,您可以按startyear, endyear, year
分组以计算mean(B)
。
注意:在 Spark 中,您可以一步完成 join
和 filter
。
首先让我们从您的 pandas df
创建数据框:
data = spark.createDataFrame(df)
对于自连接,我们将使用别名以避免与列名冲突:
import pyspark.sql.functions as psf
data_join = data.select("startyear", "endyear", "year").alias("left")\
.join(
data.select("B", "year").alias("right"),
psf.col("right.year").between(psf.col("left.startyear"), psf.col("left.endyear")))\
.drop("right.year")
+---------+-------+----+---+
|startyear|endyear|year| B|
+---------+-------+----+---+
| 2010| 2013|2011| 2|
| 2010| 2013|2011| 3|
| 2012| 2012|2010| 5|
| 2010| 2013|2011| 5|
| 2010| 2013|2011| 4|
| 2011| 2013|2012| 3|
| 2011| 2013|2013| 3|
| 2011| 2013|2012| 5|
| 2011| 2013|2012| 4|
| 2011| 2013|2013| 5|
| 2011| 2013|2013| 4|
+---------+-------+----+---+
现在是groupBy
:
data_join\
.groupBy("startyear", "endyear", "year")\
.agg(psf.avg("B").alias("av")).show()
+---------+-------+----+---+
|startyear|endyear|year| av|
+---------+-------+----+---+
| 2011| 2013|2013|4.0|
| 2010| 2013|2011|3.5|
| 2012| 2012|2010|5.0|
| 2011| 2013|2012|4.0|
+---------+-------+----+---+
【讨论】:
谢谢玛丽! 没问题 Lizou :) 如果确实解决了,请不要忘记将您的问题标记为已解决【参考方案2】:这是另一种方法:
raw_data=sc.parallelize(['2\t2012\t2012\t2010\t5.0', \
'3\t2013\t2010\t2011\t3.5', \
'5\t2013\t2011\t2012\t4.0', \
'4\t2013\t2011\t2013\t4.0']).map(lambda x: x.split('\t'))\
.map(lambda x: (int(x[0]),int(x[1])\
,int(x[2]),int(x[3]),float(x[4])))
raw_data_df=sqlContext.createDataFrame(rawdata,['B','endyear','startyear','year','av'])
raw_data_df.show()
+---+-------+---------+----+---+
| B|endyear|startyear|year| av|
+---+-------+---------+----+---+
| 2| 2012| 2010|2010|5.0|
| 3| 2013| 2010|2011|3.5|
| 5| 2013| 2011|2012|4.0|
| 4| 2013| 2011|2013|4.0|
+---+-------+---------+----+---+
假设您有一个 csv 文件中的数据:
这就是它在文件名中的样子raw_data.csv:
2,2012,2010,2010,5.0
3,2013,2010,2011,3.5
5,2013,2011,2012,4.0
4,2013,2011,2013,4.0
3,2008,2011,2011,4.0
5,2013,2019,2012,4.0
4,2005,2012,2016,4.0
4,2013,2013,2012,4.0
8,2018,2014,2018,4.0
5,2013,2014,2012,4.0
导入必要的模块:
from pyspark.sql.types import StructType, StructField, DoubleType, IntegerType, Row
import pyspark.sql.functions as func
from pyspark.sql import SparkSession
定义结构,读取文件:
rawdata_path = 'raw_data.csv'
rawdata_struct = artistdata_struct = StructType([StructField('B', IntegerType()), \
StructField('endyear', IntegerType()), \
StructField('startyear',IntegerType()), \
StructField('year',IntegerType()),\
StructField('av',DoubleType())])
rawdata= spark.read.csv(rawdata_path, sep = ',', schema = rawdata_struct)
rawdata.show()
+---+-------+---------+----+---+
| B|endyear|startyear|year| av|
+---+-------+---------+----+---+
| 2| 2012| 2010|2010|5.0|
| 3| 2013| 2010|2011|3.5|
| 5| 2013| 2011|2012|4.0|
| 4| 2013| 2011|2013|4.0|
| 3| 2008| 2011|2011|4.0|
| 5| 2013| 2019|2012|4.0|
| 4| 2005| 2012|2016|4.0|
| 4| 2013| 2013|2012|4.0|
| 8| 2018| 2014|2018|4.0|
| 5| 2013| 2014|2012|4.0|
+---+-------+---------+----+---+
有关 Spark 数据类型的更多信息,请查看此链接
https://spark.apache.org/docs/1.6.0/api/java/org/apache/spark/sql/types/package-summary.html
【讨论】:
我创建了小数据框以使其易于理解!在现实中,我使用一个巨大的数据框。那么当我有一个非常大的数据框时,我如何应用你的方法呢? 谢谢!我在上面修改了我的答案。我假设您的数据位于 .csv 文件中。您可以修改分隔符以匹配原始文件中的内容。以上是关于Pandas .apply Loc 到 Pyspark的主要内容,如果未能解决你的问题,请参考以下文章
pandas.DataFrame.loc好慢,怎么遍历访问DataFrame比较快
pandas 用 .loc[,]=value 筛选并原地赋值回原来的 DataFrame
pandas dataframe 过滤——apply最灵活!!!