如何在pyspark中添加/包括透视表中的标题行和总计行?
我正在通过PySpark将数据导出到Excel。我有一个数据集如何在pyspark中添加/包括透视表中的标题行和总计行?,pyspark,openpyxl,Pyspark,Openpyxl,我正在通过PySpark将数据导出到Excel。我有一个数据集 df_raw = spark.createDataFrame([("2015-10", 'U.S.', 500), \ ("2018-10", 'Germany', 580), \ ("2019-08", 'Japan', 230), \ ("
df_raw = spark.createDataFrame([("2015-10", 'U.S.', 500), \
("2018-10", 'Germany', 580), \
("2019-08", 'Japan', 230), \
("2015-12", 'U.S.', 500), \
("2015-11", 'Germany', 580), \
("2015-12", 'Japan', 502), \
("2018-10", 'U.S.', 520), \
("2019-08", 'Canada', 200)]).toDF("ym", "country", "points")
+-------+-------+------+
| ym|country|points|
+-------+-------+------+
|2015-10| U.S.| 500|
|2018-10|Germany| 580|
|2019-08| Japan| 230|
|2015-12| U.S.| 500|
|2015-11|Germany| 580|
|2015-12| Japan| 502|
|2018-10| U.S.| 520|
|2019-08| Canada| 200|
+-------+-------+------+
我将其转换为透视表
df_pivot = df_raw.groupBy('country').pivot("ym").sum('points')
+-------+-------+-------+-------+-------+-------+
|country|2015-10|2015-11|2015-12|2018-10|2019-08|
+-------+-------+-------+-------+-------+-------+
|Germany| null| 580| null| 580| null|
| U.S.| 500| null| 500| 520| null|
| Canada| null| null| null| null| 200|
| Japan| null| null| 502| null| 230|
+-------+-------+-------+-------+-------+-------+
我想通过Openpyxl
将带有标题行和总计行的表格导出到Excel电子表格中
我可以使用.collect()
循环数据帧,并将记录附加到工作表中,但它不包括标题,我还想添加一个总计行
总计行的示例:
+-------+-------+-------+-------+-------+-------+
|country|2015-10|2015-11|2015-12|2018-10|2019-08|
+-------+-------+-------+-------+-------+-------+
|Germany| null| 580| null| 580| null|
| U.S.| 500| null| 500| 520| null|
| Canada| null| null| null| null| 200|
| Japan| null| null| 502| null| 230|
+-------+-------+-------+-------+-------+-------+
| | 500| 580| 1002| 1100| 430|
+-------+-------+-------+-------+-------+-------+
如何实现这一点?尝试查看
汇总功能,然后将其合并,例如
df = df_raw.groupBy('country').pivot("ym").sum('points')
df2 = df.rollup('country').count()
或者,只需获取pivot的输出,动态选择日期列(在regex模式或其他模式上),并使用sum()
将其聚合,然后将别名返回到列名中
编辑:
现在我明白你到底想要什么了。我仍然会使用汇总
,但会结合一些重命名和联合,例如:
from functools import reduce
agg_cols = df_pivot.columns[1:]
rollup_df = df_pivot.rollup().sum()
renamed_df = reduce(
lambda rollup_df, idx: rollup_df.withColumnRenamed(rollup_df.columns[idx], agg_cols[idx]),
range(len(rollup_df.columns)), rollup_df
)
renamed_df = renamed_df.withColumn('country', f.lit('Total'))
df_pivot.unionByName(
renamed_df
).show()
输出:
+-------+-------+-------+-------+-------+-------+
|country|2015-10|2015-11|2015-12|2018-10|2019-08|
+-------+-------+-------+-------+-------+-------+
|Germany| null| 580| null| 580| null|
| U.S.| 500| null| 500| 520| null|
| Canada| null| null| null| null| 200|
| Japan| null| null| 502| null| 230|
| Total| 500| 580| 1002| 1100| 430|
+-------+-------+-------+-------+-------+-------+
在PySpark 2.4.3上测试rollup()
似乎只适用于从左到右运行的计数。在导出到列表时,我希望得到每列的总和以及包含标题行。我明白了。仍然使用rollup()
,但将其与一些重命名和unionByName()
一起使用。我修改了原始答案以包含代码。