Python PySpark中加权平均数的计算

我试图在pyspark中计算加权平均值，但没有取得很大进展

# Example data
df = sc.parallelize([
    ("a", 7, 1), ("a", 5, 2), ("a", 4, 3),
    ("b", 2, 2), ("b", 5, 4), ("c", 1, -1)
]).toDF(["k", "v1", "v2"])
df.show()

import numpy as np
def weighted_mean(workclass, final_weight):
    return np.average(workclass, weights=final_weight)

weighted_mean_udaf = pyspark.sql.functions.udf(weighted_mean,
    pyspark.sql.types.IntegerType())

但是当我尝试执行这段代码时

df.groupby('k').agg(weighted_mean_udaf(df.v1,df.v2)).show()

我发现了错误

u"expression 'pythonUDF' is neither present in the group by, nor is it an aggregate function. Add to group by or wrap in first() (or first_value) if you don't care which value you get

我的问题是，我可以指定一个自定义函数（使用多个参数）作为agg的参数吗？如果没有，在按键分组后是否有其他方法来执行加权平均值之类的操作？

用户定义的聚合函数（UDAF，适用于

pyspark.sql.GroupedData，但在pyspark中不受支持）与用户定义函数（UDF，适用于
pyspark.sql.DataFrame
）不同

因为在pyspark中，您无法创建自己的UDAF，并且提供的UDAF无法解决您的问题，所以您可能需要返回RDD world：

from numpy import sum

def weighted_mean(vals):
    vals = list(vals)  # save the values from the iterator
    sum_of_weights = sum(tup[1] for tup in vals)
    return sum(1. * tup[0] * tup[1] / sum_of_weights for tup in vals)

df.rdd.map(
    lambda x: (x[0], tuple(x[1:]))  # reshape to (key, val) so grouping could work
).groupByKey().mapValues(
    weighted_mean
).collect()

你的意思是要覆盖
weighted_mean
函数吗？我想做的是a）groupby b）根据数据帧的多列执行一个操作。加权平均数只是一个例子。我想@cricket_007的意思是，你是否故意用这行来覆盖
Weighted_-mean
，
Weighted_-mean=pyspark.sql.functions.udf（我的意思是，
或者它是一个输入错误？我不认为该函数采用您所使用的参数类型giving@cricket_007就在这里。Agg只接受适当的UDAFs。请看一个例子。虽然没有Python API。对于像这样的小情况，您所需要的只是一个简单的公式，所以它看起来像是一个相当人工的问题。感谢@ijoseph指出
map
在
df.rdd
上起作用。在撰写本文时，我习惯于直接调用
df.map
。我不确定它是否仍然有效，但最好是明确的。我相信，在Spark 2.4.3中，如果没有
，它会为我抛出一个错误（在Spark 2.4.3中）。