Python/Pyspark-如何用平均值替换某些单元格?
我有一个很大的问题,我希望有人能帮我。 我想用另一个值替换列中的单元格 数据帧看起来像:Python/Pyspark-如何用平均值替换某些单元格?,python,pyspark,spark-dataframe,pyspark-sql,Python,Pyspark,Spark Dataframe,Pyspark Sql,我有一个很大的问题,我希望有人能帮我。 我想用另一个值替换列中的单元格 数据帧看起来像: ---------------------------------------- |Timestamp | Item_ID | Price | ---------------------------------------- |2017-05-01 11:05:00 | 12345 | 70 | |2017-05-01 17:20:00 | 98765 | 10 |
----------------------------------------
|Timestamp | Item_ID | Price |
----------------------------------------
|2017-05-01 11:05:00 | 12345 | 70 |
|2017-05-01 17:20:00 | 98765 | 10 |
|2017-05-01 11:50:00 | 12345 | 20 |
|2017-05-01 19:50:00 | 12345 | 0 |
|2017-05-01 20:17:00 | 12345 | 0 |
|2017-05-01 22:01:00 | 98765 | 0 |
----------------------------------------
正如你所看到的,随着时间的推移,相同的商品会有不同的价格。
例如,“12345”项有三种价格:70、20和0
现在我想用其他价格的平均值替换所有“0”。
这样的事情可能吗
结果应该是:
对于项目12345:(70+20)/2=45
对于98765项:只有一个价格,所以接受这个
----------------------------------------
|Timestamp | Item_ID | Price |
----------------------------------------
|2017-05-01 11:05:00 | 12345 | 70 |
|2017-05-01 17:20:00 | 98765 | 10 |
|2017-05-01 11:50:00 | 12345 | 20 |
|2017-05-01 19:50:00 | 12345 | 45 |
|2017-05-01 20:17:00 | 12345 | 45 |
|2017-05-01 22:01:00 | 98765 | 10 |
----------------------------------------
非常感谢你,祝你今天愉快!
qwertz这里有一种使用sparkSQL的方法:
from StringIO import StringIO
import pandas as pd
# create dummy data
df = pd.DataFrame.from_csv(StringIO("""Timestamp|Item_ID|Price
2017-05-01 11:05:00|12345|70
2017-05-01 17:20:00|98765|10
2017-05-01 11:50:00|12345|20
2017-05-01 19:50:00|12345|0
2017-05-01 20:17:00|12345|0
2017-05-01 22:01:00|98765|0""".replace("\s+", '')), sep="|").reset_index()
df['Timestamp'] = df['Timestamp'].astype(str)
spark_df = sqlCtx.createDataFrame(df)
spark_df.registerTempTable('table')
sqlCtx.sql("""SELECT Timestamp,
l.Item_ID,
CASE WHEN l.Price > 0 THEN l.Price ELSE r.Price END AS Price
FROM table l
LEFT JOIN (
SELECT Item_ID,
AVG(Price) AS Price
FROM table
WHERE Price > 0
GROUP BY Item_ID
) r ON l.Item_ID = r.Item_ID""".replace("\n", ' ')
).show()
输出:
+-------------------+-------+-----+
|Timestamp |Item_ID|Price|
+-------------------+-------+-----+
|2017-05-01 19:50:00|12345 |45.0 |
|2017-05-01 20:17:00|12345 |45.0 |
|2017-05-01 11:05:00|12345 |70.0 |
|2017-05-01 11:50:00|12345 |20.0 |
|2017-05-01 17:20:00|98765 |10.0 |
|2017-05-01 22:01:00|98765 |10.0 |
+-------------------+-------+-----+
说明:
通过调用spark\u df.registerTempTable('table')
,我将spark数据帧注册为SQLContext
中的一个临时表(我将其命名为table
)。我正在运行的查询是使用Item\u ID
将表
连接到自身,但其中一方将具有聚合(平均)值。然后我使用CASE
语句选择给定值,或者如果Price
为0
则选择聚合值
我调用了.replace(“\n”,”)
,因为不支持换行符(我认为它们被视为EOF
)。这是一种编写可读查询的简单方法,无需将所有内容放在一行中
注释
你所描述的技术是均值插补。由于这在该领域非常常见,我不得不相信有另一种(可能更好)方法可以做到这一点,只使用spark DataFrame
函数(避免SQL
)