PySpark：计算列子集的最大行数并添加到现有数据帧

Posted 2023-04-15

【中文标题】PySpark：计算列子集的最大行数并添加到现有数据帧

【英文标题】：PySpark: compute row maximum of the subset of columns and add to an exisiting dataframe

【发布时间】：2016-11-29 19:54:34

【问题描述】：

我想计算每一行的列子集的最大值并将其添加为现有Dataframe 的新列。

我设法以非常尴尬的方式做到了这一点：

def add_colmax(df,subset_columns,colnm):
     '''
     calculate the maximum of the selected "subset_columns" from dataframe df for each row, 
     new column containing row wise maximum is added to dataframe df. 

     df: dataframe. It must contain subset_columns as subset of columns
     colnm: Name of the new column containing row-wise maximum of subset_columns
     subset_columns: the subset of columns from w
     '''
     from pyspark.sql.functions import monotonicallyIncreasingId
     from pyspark.sql import Row
     def get_max_row_with_None(row):
         return float(np.max(row))

     df_subset = df.select(subset_columns)
     rdd = df_subset.map( get_max_row_with_None)
     df_rowsum = rdd.map(Row(colnm)).toDF()
     df_rowsum = df_rowsum.withColumn("id",monotonicallyIncreasingId())
     df = df.withColumn("id",monotonicallyIncreasingId())
     df = df.join(df_rowsum,df.id == df_rowsum.id).drop(df.id).drop(df_rowsum.id)
     return df

这个函数的作用是：

rdd1 =  sc.parallelize([("foo", 1.0,3.0,None), 
                    ("bar", 2.0,2.0,-10), 
                    ("baz", 3.3,1.2,10.0)])


df1 = sqlContext.createDataFrame(rdd1, ('v1', 'v2','v3','v4'))
df_new = add_colmax(df1,['v2','v3','v4'],"rowsum")   
df_new.collect()

返回：

 [Row(v1=u'bar', v2=2.0, v3=2.0, v4=-10, rowsum=2.0),
  Row(v1=u'baz', v2=3.3, v3=1.2, v4=None, rowsum=3.3),
  Row(v1=u'foo', v2=1.0, v3=3.0, v4=None, rowsum=3.0)]

我认为如果我可以使用withColumn 的用户定义函数，这可以更简单地完成。但我不知道该怎么做。 如果您有更简单的方法来实现这一点，请告诉我。 我正在使用 Spark 1.6

【参考方案1】：

让我们从几个导入开始

from pyspark.sql.functions import col, lit, coalesce, greatest

接下来定义负无穷大字面量：

minf = lit(float("-inf"))

映射列并将结果传递给greatest：

rowmax = greatest(*[coalesce(col(x), minf) for x in ['v2','v3','v4']])

终于withColumn:

df1.withColumn("rowmax", rowmax)

结果：

+---+---+---+----+------+
| v1| v2| v3|  v4|rowmax|
+---+---+---+----+------+
|foo|1.0|3.0|null|   3.0|
|bar|2.0|2.0| -10|   2.0|
|baz|3.3|1.2|null|   3.3|
+---+---+---+----+------+

您可以将相同的模式与不同的行操作替换 minf 与中性元素。例如：

rowsum = sum([coalesce(col(x), lit(0)) for x in ['v2','v3','v4']])

或：

from operator import mul
from functools import reduce

rowproduct = reduce(
  mul, 
  [coalesce(col(x), lit(1)) for x in ['v2','v3','v4']]
)

udf 可以显着简化您自己的代码：

from pyspark.sql.types import DoubleType
from pyspark.sql.functions import udf

def get_max_row_with_None_(*cols):
    return float(max(x for x in cols if x is not None))

get_max_row_with_None = udf(get_max_row_with_None_, DoubleType())
df1.withColumn("rowmax", get_max_row_with_None('v2','v3','v4'))

将minf 替换为lit(float("inf"))，将greatest 替换为least，以获得每行的最小值。

【讨论】：

拜托，再举一个比这更简单的例子……