Apache spark 如何按列分组并聚合其余列
我是pyspark的新手,所以如果有人能帮我解决这个问题,我将不胜感激 假设我在pyspark中有一个数据帧,如下所示:Apache spark 如何按列分组并聚合其余列,apache-spark,pyspark,apache-spark-sql,mean,Apache Spark,Pyspark,Apache Spark Sql,Mean,我是pyspark的新手,所以如果有人能帮我解决这个问题,我将不胜感激 假设我在pyspark中有一个数据帧,如下所示: +----+----+----+----+----+ |col1|col2|col3|col4|col5| +----+----+----+----+----+ | A|2001| 2| 5| 6| | A|2001| 3| 6| 10| | A|2001| 3| 6| 10| | A|2002| 4| 5| 2|
+----+----+----+----+----+
|col1|col2|col3|col4|col5|
+----+----+----+----+----+
| A|2001| 2| 5| 6|
| A|2001| 3| 6| 10|
| A|2001| 3| 6| 10|
| A|2002| 4| 5| 2|
| B|2001| 2| 9| 4|
| B|2001| 2| 4| 3|
| B|2001| 2| 3| 4|
| B|2001| 3| 95| 7|
+----+----+----+----+----+
如果col1
、col2
和col3
中的对应值相同,我想得到col4
的平均值,然后去掉前3列中重复值的行
例如,第一列中的col1
、col2
、col3
的值是相同的,因此,我们希望消除其中一个,并将col4
的值更新为col4
和col5
的平均值。结果应该是:
+----+----+----+----+----+
|col1|col2|col3|col4|col5|
+----+----+----+----+----+
| A|2001| 2| 4.5| 7|
| A|2001| 3| 6| 10|
| A|2002| 4| 5| 2|
| B|2001| 2|5.33|3.67|
| B|2001| 3| 95| 7|
+----+----+----+----+----+
类似的问题已经被提出,但在数据框架中。在pyspark dataframe步骤1:创建所述的
数据帧
-
values = [('A',2001,2,5,6),('A',2001,2,4,8),('A',2001,3,6,10),('A',2002,4,5,2),
('B',2001,2,9,4),('B',2001,2,4,3),('B',2001,2,3,4),('B',2001,3,95,7)]
df = sqlContext.createDataFrame(values,['col1','col2','col3','col4','col5'])
df.show()
+----+----+----+----+----+
|col1|col2|col3|col4|col5|
+----+----+----+----+----+
| A|2001| 2| 5| 6|
| A|2001| 2| 4| 8|
| A|2001| 3| 6| 10|
| A|2002| 4| 5| 2|
| B|2001| 2| 9| 4|
| B|2001| 2| 4| 3|
| B|2001| 2| 3| 4|
| B|2001| 3| 95| 7|
+----+----+----+----+----+
步骤2:聚合列col4
和col5
df = df.groupby(['col1','col2','col3']).agg(avg('col4').alias('col4'),avg('col5').alias('col5'))
df.show()
+----+----+----+-----------------+------------------+
|col1|col2|col3| col4| col5|
+----+----+----+-----------------+------------------+
| A|2001| 3| 6.0| 10.0|
| A|2002| 4| 5.0| 2.0|
| B|2001| 2|5.333333333333333|3.6666666666666665|
| A|2001| 2| 4.5| 7.0|
| B|2001| 3| 95.0| 7.0|
+----+----+----+-----------------+------------------+
IIUCdf.groupby(“col1”、“col2”、“col3”).agg(f.mean(“col4”)、f.mean(“col5”)
其中f
由import pyspark.sql.函数定义为f
的可能副本