Python pyspark中的pivot数据帧
我有DF测试包含以下列Python pyspark中的pivot数据帧,python,pyspark,apache-spark-sql,Python,Pyspark,Apache Spark Sql,我有DF测试包含以下列 Type Name Country Year Value 1 Rec US 2018 8 2 fg UK 2019 2 5 vd India 2020 1 7 se US 2021 3 我想在它上面做一个支点,我试过下面的表达 pivotdata=spark.sql(“从测试中选择*)
Type Name Country Year Value
1 Rec US 2018 8
2 fg UK 2019 2
5 vd India 2020 1
7 se US 2021 3
我想在它上面做一个支点,我试过下面的表达
pivotdata=spark.sql(“从测试中选择*).groupby(“国家”).pivot(“年度”).sum(“值”).show()
我得到了输出,但除了剩下的两列之外,它只显示了几列
Country 2018 2019 2020 2021
US - -
UK - -
India - -
US - -
因此,如果我想要所有列,我们该怎么办?如果我正确理解了您的需要,您必须将其他列也输入sum()中。考虑下面的例子:
tst=sqlContext.createDataFrame([('2020-04-23',1,2,"india"),('2020-04-24',1,3,"india"),('2020-04-23',1,4,"china"),('2020-04-24',1,5,"china"),('2020-04-23',1,7,"germany"),('2020-04-24',1,9,"germany")],schema=('date','quantity','value','country'))
tst.show()
+----------+--------+-----+-------+
| date|quantity|value|country|
+----------+--------+-----+-------+
|2020-04-23| 1| 2| india|
|2020-04-24| 1| 3| india|
|2020-04-23| 1| 4| china|
|2020-04-24| 1| 5| china|
|2020-04-23| 1| 7|germany|
|2020-04-24| 1| 9|germany|
+----------+--------+-----+-------+
df_pivot=tst.groupby('country').pivot('date').sum('quantity','value').show()
df_pivot.show()
+-------+------------------------+---------------------+------------------------+---------------------+
|country|2020-04-23_sum(quantity)|2020-04-23_sum(value)|2020-04-24_sum(quantity)|2020-04-24_sum(value)|
+-------+------------------------+---------------------+------------------------+---------------------+
|germany| 1| 7| 1| 9|
| china| 1| 4| 1| 5|
| india| 1| 2| 1| 3|
+-------+------------------------+---------------------+------------------------+---------------------+
如果您不喜欢有趣的列名,那么可以使用agg函数为数据透视列名定义自己的后缀
tst_res=tst.groupby('country').pivot('date').agg(F.sum('quantity').alias('sum_quantity'),F.sum('value').alias('sum_value'))
tst_res.show()
+-------+-----------------------+--------------------+-----------------------+--------------------+
|country|2020-04-23_sum_quantity|2020-04-23_sum_value|2020-04-24_sum_quantity|2020-04-24_sum_value|
+-------+-----------------------+--------------------+-----------------------+--------------------+
|germany| 1| 7| 1| 9|
| china| 1| 4| 1| 5|
| india| 1| 2| 1| 3|
+-------+-----------------------+--------------------+-----------------------+--------------------+
除了剩下的两行之外,你所说的
是什么意思?我希望在你发布的输出中也有Type和name列,如果你按“country”分组,你应该只有3行。为什么国家/地区“us”重复出现?请发布相应的预期输出。@codetech-您是否试用了该解决方案?成功了吗?很高兴听到:-)