Python PySpark-显示数据帧中列数据类型的计数

如何像使用熊猫数据帧那样查看Spark数据帧中每种数据类型的计数

例如，假设df是一个数据帧：

>>> df.info(verbose=True)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 3 columns):
int_col      5 non-null int64
text_col     5 non-null object
float_col    5 non-null float64
**dtypes: float64(1), int64(1), object(1)**
memory usage: 200.0+ bytes

df.info（verbose=True） 范围索引：5个条目，0到4 数据列（共3列）： 整数列5非空整数64 text_col 5非空对象 float_col 5非空float64 **数据类型：float64（1）、int64（1）、object（1）** 内存使用：200.0+字节 我们可以非常清楚地看到每种数据类型的计数。如何使用spark数据帧执行类似操作？也就是说，如何查看有多少列是浮动的，有多少列是int的，有多少列是对象

---

谢谢

要么

printSchema

import datetime

df = spark.createDataFrame([("", 1.0, 1, True, datetime.datetime.now())])
df.printSchema()

root
 |-- _1: string (nullable = true)
 |-- _2: double (nullable = true)
 |-- _3: long (nullable = true)
 |-- _4: boolean (nullable = true)
 |-- _5: timestamp (nullable = true)

或检查

d类型

df.dtypes

[('_1', 'string'),
 ('_2', 'double'),
 ('_3', 'bigint'),
 ('_4', 'boolean'),
 ('_5', 'timestamp')]

---

下面的代码应该可以得到您想要的结果

# create data frame 
df = sqlContext.createDataFrame(
[(1,'Y','Y',0,0,0,2,'Y','N','Y','Y'),
 (2,'N','Y',2,1,2,3,'N','Y','Y','N'),
 (3,'Y','N',3,1,0,0,'N','N','N','N'),
 (4,'N','Y',5,0,1,0,'N','N','N','Y'),
 (5,'Y','N',2,2,0,1,'Y','N','N','Y'),
 (6,'Y','Y',0,0,3,6,'Y','N','Y','N'),
 (7,'N','N',1,1,3,4,'N','Y','N','Y'),
 (8,'Y','Y',1,1,2,0,'Y','Y','N','N')
],
('id', 'compatible', 'product', 'ios', 'pc', 'other', 'devices', 'customer', 'subscriber', 'circle', 'smb')
)

# Find data types of data frame
datatypes_List = df.dtypes

# Querying datatypes_List gives you column and its data type as a tuple
datatypes_List
[('id', 'bigint'), ('compatible', 'string'), ('product', 'string'), ('ios', 'bigint'), ('pc', 'bigint'), ('other', 'bigint'), ('devices', 'bigint'), ('customer', 'string'), ('subscriber', 'string'), ('circle', 'string'), ('smb', 'string')]

# create empty dictonary to store output values
dict_count = {}

# Loop statement to count number of times the data type is present in the data frame
for x, y in datatypes_List:
    dict_count[y] = dict_count.get(y, 0) + 1


# query dict_count to find the number of times a data type is present in data frame
dict_count  

---

我认为最简单的方法是使用集合。计数器：

df=spark.createDataFrame(
[（1,1.2，'foo'），（2,2.3，'bar'），（无，3.4，'baz'），
[“整数列”、“浮点列”、“字符串列”]
)
从收款进口柜台
打印（计数器（（x[1]表示df.dtypes中的x）））
#计数器（{'double'：1，'bigint'：1，'string'：1}）

还有

pyspark.sql.DataFrame.descripe（）

方法：

df.descripe（）.show（）
+-------+------------------+------------------+----------+
|摘要|内部列|浮动列|字符串列||
+-------+------------------+------------------+----------+
|计数| 2 | 3 | 3|
|平均值| 1.5 | 2.3 |零|
|STDEV | 0.7071067811865476 | 1.099999999999 |空|
|最小1.2巴|
|最大2 | 3.4 |富|
+-------+------------------+------------------+----------+

---

请注意，

int\u col

的

计数为2，因为在本例中，其中一个值为
null
。
您好，谢谢您的建议！不幸的是，我没有试图计算每列中缺失值的数量。相反，我只是想看看有多少列是float，有多少列是int，还有多少列是objects。嗨，谢谢你的建议！不幸的是，我的dataframe包含数千列，因此我无法逐一查看。有什么方法可以总结数据类型吗？