Apache spark PySpark在广泛的列中获得不同的值
我有大量自定义列的数据,我对这些列的内容了解甚少。这些列被命名为Apache spark PySpark在广泛的列中获得不同的值,apache-spark,pyspark,pyspark-sql,Apache Spark,Pyspark,Pyspark Sql,我有大量自定义列的数据,我对这些列的内容了解甚少。这些列被命名为evar1到evar250。我想得到的是一个包含所有不同值的表,以及这些值出现的频率和列的名称 ------------------------------------------------ | columnname | value | count | |------------|-----------------------|---------| | evar1 | en-GB
evar1
到evar250
。我想得到的是一个包含所有不同值的表,以及这些值出现的频率和列的名称
------------------------------------------------
| columnname | value | count |
|------------|-----------------------|---------|
| evar1 | en-GB | 7654321 |
| evar1 | en-US | 1234567 |
| evar2 | www.myclient.com | 123 |
| evar2 | app.myclient.com | 456 |
| ...
我能想到的最好的方法就是感觉很糟糕,因为我相信我必须每列阅读一次这些数据(实际上大约有400个这样的列)
i = 1
df_evars = None
while i <= 30:
colname = "evar" + str(i)
df_temp = df.groupBy(colname).agg(fn.count("*").alias("rows"))\
.withColumn("colName", fn.lit(colname))
if df_evars:
df_evars = df_evars.union(df_temp)
else:
df_evars = df_temp
display(df_evars)
应该会导致输出
--------------------------------
| columnname | value | count |
|------------|-------|---------|
| evar1 | A | 1 |
| evar1 | B | 3 |
| evar2 | A | 2 |
| evar2 | B | 2 |
| ...
使用从以下位置借用的
melt
:
改编自
--------------------------------
| columnname | value | count |
|------------|-------|---------|
| evar1 | A | 1 |
| evar1 | B | 3 |
| evar2 | A | 2 |
| evar2 | B | 2 |
| ...
from pyspark.sql.functions import col
melt(
df.select([col(c).cast("string") for c in df.columns]),
id_vars=[], value_vars=df.columns
).groupBy("variable", "value").count()