Dataframe 整个数据帧上的Pyspark窗口函数

考虑pyspark数据帧。我想总结每列的整个数据帧，并为每行追加结果

+-----+----------+-----------+
|index|      col1| col2      |
+-----+----------+-----------+
|  0.0|0.58734024|0.085703015|
|  1.0|0.67304325| 0.17850411|

预期结果

+-----+----------+-----------+-----------+-----------+-----------+-----------+
|index|      col1| col2      |  col1_min | col1_mean |col2_min   | col2_mean
+-----+----------+-----------+-----------+-----------+-----------+-----------+
|  0.0|0.58734024|0.085703015|  -5       | 2.3       |  -2       | 1.4 |
|  1.0|0.67304325| 0.17850411|  -5       | 2.3       |  -2       | 1.4 |

据我所知，我需要窗口函数，将整个数据帧作为窗口，以保留每行的结果（而不是，例如，分别进行统计，然后返回以复制每行）

我的问题是：

如何在没有任何分区或顺序的情况下编写窗口

我知道有带分区和顺序的标准窗口，但不是将所有内容都作为一个分区的窗口

w = Window.partitionBy("col1", "col2").orderBy(desc("col1"))
df = df.withColumn("col1_mean", mean("col1").over(w)))

如何编写一个将所有内容都作为一个分区的窗口

任何动态写入所有列的方法 假设我有500个专栏，重复写作看起来不太好

df = df.withColumn("col1_mean", mean("col1").over(w))).withColumn("col1_min", min("col2").over(w)).withColumn("col2_mean", mean().over(w)).....

---

假设我希望每个列有多个统计信息，因此每个

colx

将生成

colx\u min、colx\u max、colx\u mean

我们还可以在窗口函数中不使用orderby、partitionBy子句指定

min（“”.over（）

//sample data
val df=Seq((1,2,3),(4,5,6)).toDF("i","j","k")

val df1=df.columns.foldLeft(df)((df, c) => {
  df.withColumn(s"${c}_min",min(col(s"${c}")).over()).
  withColumn(s"${c}_max",max(col(s"${c}")).over()).
  withColumn(s"${c}_mean",mean(col(s"${c}")).over())
})

df1.show()
//+---+---+---+-----+-----+------+-----+-----+------+-----+-----+------+
//|  i|  j|  k|i_min|i_max|i_mean|j_min|j_max|j_mean|k_min|k_max|k_mean|
//+---+---+---+-----+-----+------+-----+-----+------+-----+-----+------+
//|  1|  2|  3|    1|    4|   2.5|    2|    5|   3.5|    3|    6|   4.5|
//|  4|  5|  6|    1|    4|   2.5|    2|    5|   3.5|    3|    6|   4.5|
//+---+---+---+-----+-----+------+-----+-----+------+-----+-----+------+

示例：

//sample data
val df=Seq((1,2,3),(4,5,6)).toDF("i","j","k")

val df1=df.columns.foldLeft(df)((df, c) => {
  df.withColumn(s"${c}_min",min(col(s"${c}")).over()).
  withColumn(s"${c}_max",max(col(s"${c}")).over()).
  withColumn(s"${c}_mean",mean(col(s"${c}")).over())
})

df1.show()
//+---+---+---+-----+-----+------+-----+-----+------+-----+-----+------+
//|  i|  j|  k|i_min|i_max|i_mean|j_min|j_max|j_mean|k_min|k_max|k_mean|
//+---+---+---+-----+-----+------+-----+-----+------+-----+-----+------+
//|  1|  2|  3|    1|    4|   2.5|    2|    5|   3.5|    3|    6|   4.5|
//|  4|  5|  6|    1|    4|   2.5|    2|    5|   3.5|    3|    6|   4.5|
//+---+---+---+-----+-----+------+-----+-----+------+-----+-----+------+

---

不使用窗口，您可以通过结合交叉连接的自定义聚合实现相同的效果：

导入pyspark.sql.F函数
从pyspark.sql.functions导入广播
来自itertools进口链
df=spark.createDataFrame([
[1, 2.3, 1],
[2, 5.3, 2],
[3, 2.1, 4],
[4, 1.5, 5]
]，[“索引”、“col1”、“col2”]）
累计成本=[(
F.min（c）.别名（“min_uu”+c），
F.max（c）.别名（“max_uuz”+c），
F.平均值（c）.别名（“平均值”+c））
对于df.columns中的c，如果c.startswith（'col'）]
统计数据df=df.agg（*列表（链（*agg_cols）））
#交叉连接不会对性能产生影响，因为我们在右侧表中只广播了一行（Spark很可能会广播）
交叉连接（广播（stats_df））.show（）
# +-----+----+----+--------+--------+---------+--------+--------+---------+
#|指数| col1 | col2 |最小值|最大值|平均值|最小值|最大值|平均值||
# +-----+----+----+--------+--------+---------+--------+--------+---------+
# |    1| 2.3|   1|     1.5|     5.3|      2.8|       1|       5|      3.0|
# |    2| 5.3|   2|     1.5|     5.3|      2.8|       1|       5|      3.0|
# |    3| 2.1|   4|     1.5|     5.3|      2.8|       1|       5|      3.0|
# |    4| 1.5|   5|     1.5|     5.3|      2.8|       1|       5|      3.0|
# +-----+----+----+--------+--------+---------+--------+--------+---------+

注1：使用广播我们将避免洗牌，因为广播的df将发送给所有执行者

注2：使用

chain（*agg_cols）

我们将上一步创建的元组列表展平

更新：

以下是上述计划的执行计划：

== Physical Plan ==
*(3) BroadcastNestedLoopJoin BuildRight, Cross
:- *(3) Scan ExistingRDD[index#196L,col1#197,col2#198L]
+- BroadcastExchange IdentityBroadcastMode, [id=#274]
   +- *(2) HashAggregate(keys=[], functions=[finalmerge_min(merge min#233) AS min(col1#197)#202, finalmerge_max(merge max#235) AS max(col1#197)#204, finalmerge_avg(merge sum#238, count#239L) AS avg(col1#197)#206, finalmerge_min(merge min#241L) AS min(col2#198L)#208L, finalmerge_max(merge max#243L) AS max(col2#198L)#210L, finalmerge_avg(merge sum#246, count#247L) AS avg(col2#198L)#212])
      +- Exchange SinglePartition, [id=#270]
         +- *(1) HashAggregate(keys=[], functions=[partial_min(col1#197) AS min#233, partial_max(col1#197) AS max#235, partial_avg(col1#197) AS (sum#238, count#239L), partial_min(col2#198L) AS min#241L, partial_max(col2#198L) AS max#243L, partial_avg(col2#198L) AS (sum#246, count#247L)])
            +- *(1) Project [col1#197, col2#198L]
               +- *(1) Scan ExistingRDD[index#196L,col1#197,col2#198L]

---

这里我们看到一个

单分区的
广播交换
，它广播一行，因为
统计数据可以放入
单分区
。因此，这里被洗牌的数据只有一行（最小可能）
 我记得读交叉连接很贵。Window函数是为以下目的创建的：将agg值带到每一行。在本例中不是@Kenny。这里的交叉连接将发生在df和stats_df之间，最后一个只有一行。在这种情况下，程序将stats_df视为广播值。该行将在每个执行器上进行broacasted，联接只会将stats_df行附加到df@Kenny我修改了答案，添加了查询的执行计划，该计划显示将不会出现洗牌，因为这将只是一个广播交换。如果您需要有关交换类型的更多信息，请注意David VrbaThis提供的是最好的解决方案，如果您正在整数/双精度列上查找最大/最小值。如果需要在时间戳列中查找max，那么这不是最佳解决方案。时间戳上的连接可能会导致大量数据帧出现问题。我个人经历了这样的连接数据分裂。所以在这种情况下，我建议使用Window。。。。或者至少在加入之前投一个长时间戳！我忽略了（）缺少1个必需的位置参数：“window”。似乎需要一扇窗户？我正在使用PysparkYou可以这样做：1）为整个数据帧创建具有相同值的列。withColumn（“all”，lit（“1”））2）将此列用于窗口：val window=window.partitionBy（“all”）