在 PySpark DataFrame 中添加汇总输出作为新行

Posted 2023-04-15

【中文标题】在 PySpark DataFrame 中添加汇总输出作为新行

【英文标题】：Add output of rollup as a new row in a PySpark DataFrame

【发布时间】：2018-04-11 19:43:13

【问题描述】：

我正在将 sql 代码转换为 Pyspark。

sql 代码使用汇总来汇总每个状态的计数。

我正在尝试在 pyspark 中做同样的事情，但不知道如何获取总计数行。

我有一个包含州、城市和计数的表格，我想在州部分的末尾添加每个州的总计数。

这是一个示例输入：

State   City      Count
WA      Seattle    10
WA      Tacoma     11
MA      Boston     11
MA      Cambridge  3
MA      Quincy     5

这是我想要的输出：

State   City       Count
 WA     Seattle    10
 WA     Tacoma     11
 WA     Total      21
 MA     Boston     11
 MA     Cambridge  3
 MA     Quincy     5
 MA     Total      19

我不知道如何在状态之间添加总计数。

我确实尝试过汇总，这是我的代码：

df2=df.rollup('STATE').count()

结果显示如下：

State  Count
 WA     21
 MA     19

但我想要每个状态之后的总数。

【问题讨论】：

Spark 在 SQL 和 DataFrame API (***.com/q/37975227/9613318) 中都支持 Roolup。你有遇到什么问题吗？

是的，我确实尝试了汇总，但它最终只得到了总计数的状态。我想要状态之间的总计数行

@yokielove 如果你能分享你引用的 sql 代码会很有帮助。

【参考方案1】：

由于您希望 Total 作为 DataFrame 中的新行，一个选项是合并 groupBy() 的结果并按 ["State", "City", "Count"] 排序（以确保 "Total" 行在每个组中显示在最后):

import pyspark.sql.functions as f
df.union(
    df.groupBy("State")\
    .agg(f.sum("Count").alias("Count"))\
    .select("State", f.lit("Total").alias("City"), "Count")
).sort("State", "City", "Count").show()
#+-----+---------+-----+
#|State|     City|Count|
#+-----+---------+-----+
#|   MA|   Boston|   11|
#|   MA|Cambridge|    3|
#|   MA|   Quincy|    5|
#|   MA|    Total|   19|
#|   WA|  Seattle|   10|
#|   WA|   Tacoma|   11|
#|   WA|    Total|   21|
#+-----+---------+-----+

【参考方案2】：

要么：

df.groubpBy("State", "City").rollup(count("*"))

或者只是注册表：

df.createOrReplaceTempView("df")

并应用您当前的 SQL 查询

spark.sql("...")

【讨论】：

第一个 df.groubpBy("State", "City").rollup(count("*")) 返回错误：AttributeError: 'GroupedData' object has no attribute 'rollup'

不应该是df.rollup("State", "City").agg(count("*"))吗？

它仍然无法正常工作，结果显示每个州没有总计数