Spark SQL:将聚合函数应用于列列表


77

在执行时,是否有办法将聚合函数应用于数据框的所有(或列表)列groupBy?换句话说,有一种方法可以避免对每一列都这样做:

df.groupBy("col1")
  .agg(sum("col2").alias("col2"), sum("col3").alias("col3"), ...)

Answers:


135

有多种将聚合函数应用于多个列的方法。

GroupedData类提供了许多方法用于最常见的功能,包括countmaxminmeansum,其可以直接使用,如下所示:

  • 蟒蛇:

    df = sqlContext.createDataFrame(
        [(1.0, 0.3, 1.0), (1.0, 0.5, 0.0), (-1.0, 0.6, 0.5), (-1.0, 5.6, 0.2)],
        ("col1", "col2", "col3"))
    
    df.groupBy("col1").sum()
    
    ## +----+---------+-----------------+---------+
    ## |col1|sum(col1)|        sum(col2)|sum(col3)|
    ## +----+---------+-----------------+---------+
    ## | 1.0|      2.0|              0.8|      1.0|
    ## |-1.0|     -2.0|6.199999999999999|      0.7|
    ## +----+---------+-----------------+---------+
    
  • 斯卡拉

    val df = sc.parallelize(Seq(
      (1.0, 0.3, 1.0), (1.0, 0.5, 0.0),
      (-1.0, 0.6, 0.5), (-1.0, 5.6, 0.2))
    ).toDF("col1", "col2", "col3")
    
    df.groupBy($"col1").min().show
    
    // +----+---------+---------+---------+
    // |col1|min(col1)|min(col2)|min(col3)|
    // +----+---------+---------+---------+
    // | 1.0|      1.0|      0.3|      0.0|
    // |-1.0|     -1.0|      0.6|      0.2|
    // +----+---------+---------+---------+
    

(可选)您可以传递应汇总的列的列表

df.groupBy("col1").sum("col2", "col3")

您还可以通过字典/映射通过列a作为关键字和功能作为值:

  • 蟒蛇

    exprs = {x: "sum" for x in df.columns}
    df.groupBy("col1").agg(exprs).show()
    
    ## +----+---------+
    ## |col1|avg(col3)|
    ## +----+---------+
    ## | 1.0|      0.5|
    ## |-1.0|     0.35|
    ## +----+---------+
    
  • 斯卡拉

    val exprs = df.columns.map((_ -> "mean")).toMap
    df.groupBy($"col1").agg(exprs).show()
    
    // +----+---------+------------------+---------+
    // |col1|avg(col1)|         avg(col2)|avg(col3)|
    // +----+---------+------------------+---------+
    // | 1.0|      1.0|               0.4|      0.5|
    // |-1.0|     -1.0|3.0999999999999996|     0.35|
    // +----+---------+------------------+---------+
    

最后,您可以使用varargs:

  • 蟒蛇

    from pyspark.sql.functions import min
    
    exprs = [min(x) for x in df.columns]
    df.groupBy("col1").agg(*exprs).show()
    
  • 斯卡拉

    import org.apache.spark.sql.functions.sum
    
    val exprs = df.columns.map(sum(_))
    df.groupBy($"col1").agg(exprs.head, exprs.tail: _*)
    

还有其他一些方法可以达到类似的效果,但是在大多数情况下,这些方法应该绰绰有余。

也可以看看:


似乎 aggregateBy在这里适用。它比快(快得多)groupBy。哦,等等-DataFrame不暴露aggregateBy-agg指向groupBy。好吧,这意味着DataFrames..
StephenBoesch

2
@javadba不,它仅表示Dataset.groupBy/ Dataset.groupByKeyRDD.groupBy/RDD.groupByKey 在一般情况下具有不同的语义。如果是简单DataFrame聚合,请检查此。还有更多,但在这里并不重要。
zero323 '17

3
@javadba谢谢。这是另一个有用的(主观上是自我促进的警报)资源:git.io/vM1Ch
0323

7
如何为列添加别名?
GeekFactory '17

4
@GeekFactoryexprs = [min(x).alias("{0}".format(x)) for x in df.columns]
zero323 '17

21

相同概念的另一个示例-但说-您有2个不同的列-您想对每个应用不同的agg函数,即

f.groupBy("col1").agg(sum("col2").alias("col2"), avg("col3").alias("col3"), ...)

这是实现它的方法-尽管在这种情况下我还不知道如何添加别名

请参见下面的示例-使用地图

val Claim1 = StructType(Seq(StructField("pid", StringType, true),StructField("diag1", StringType, true),StructField("diag2", StringType, true), StructField("allowed", IntegerType, true), StructField("allowed1", IntegerType, true)))
val claimsData1 = Seq(("PID1", "diag1", "diag2", 100, 200), ("PID1", "diag2", "diag3", 300, 600), ("PID1", "diag1", "diag5", 340, 680), ("PID2", "diag3", "diag4", 245, 490), ("PID2", "diag2", "diag1", 124, 248))

val claimRDD1 = sc.parallelize(claimsData1)
val claimRDDRow1 = claimRDD1.map(p => Row(p._1, p._2, p._3, p._4, p._5))
val claimRDD2DF1 = sqlContext.createDataFrame(claimRDDRow1, Claim1)

val l = List("allowed", "allowed1")
val exprs = l.map((_ -> "sum")).toMap
claimRDD2DF1.groupBy("pid").agg(exprs) show false
val exprs = Map("allowed" -> "sum", "allowed1" -> "avg")

claimRDD2DF1.groupBy("pid").agg(exprs) show false

1

当前答案在如何创建聚合上是完全正确的,但是没有一个能真正解决问题中也要求的列别名/重命名。

通常,这是我处理这种情况的方式:

val dimensionFields = List("col1")
val metrics = List("col2", "col3", "col4")
val columnOfInterests = dimensions ++ metrics

val df = spark.read.table("some_table"). 
    .select(columnOfInterests.map(c => col(c)):_*)
    .groupBy(dimensions.map(d => col(d)): _*)
    .agg(metrics.map( m => m -> "sum").toMap)
    .toDF(columnOfInterests:_*)    // that's the interesting part

最后一行从本质上将聚合数据帧的每一列重命名为原始字段,本质上进行了更改,sum(col2)sum(col3)简单地更改为col2col3

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.