Python 从PySpark中的两个数据帧计算值
我试图对PySpark(2.4)数据帧进行分组和求和,但无法逐个获得值 我有以下数据帧:Python 从PySpark中的两个数据帧计算值,python,apache-spark,pyspark,Python,Apache Spark,Pyspark,我试图对PySpark(2.4)数据帧进行分组和求和,但无法逐个获得值 我有以下数据帧: data.groupBy("card_scheme", "failed").count().show() +----------------+------+------+ | card_Scheme|failed| count| +----------------+------+------+ | jcb| false| 4| |american express|
data.groupBy("card_scheme", "failed").count().show()
+----------------+------+------+
| card_Scheme|failed| count|
+----------------+------+------+
| jcb| false| 4|
|american express| false| 22084|
| AMEX| false| 4|
| mastercard| true| 1122|
| visa| true| 1975|
| visa| false|126372|
| CB| false| 6|
| discover| false| 2219|
| maestro| false| 2|
| VISA| false| 13|
| mastercard| false| 40856|
| MASTERCARD| false| 9|
+----------------+------+------+
我试图为每个卡片方案计算公式X=false/(false+true)
,但最后仍然得到一个数据帧
我期待着这样的事情:
| card_scheme | X |
|-------------|---|
| jcb | 1 |
| .... | . |
| visa | 0.9846| (which is 126372 / (126372 + 1975)
| ... | . |
创建数据集
方法1:此方法速度较慢,因为它涉及通过枢轴的传输
df=df.groupBy("card_Scheme").pivot("failed").sum("count")
df=df.withColumn('X',when((col('True').isNotNull()),(col('false')/(col('false')+col('true')))).otherwise(1))
df=df.select('card_Scheme','X')
df.show()
+----------------+------------------+
| card_Scheme| X|
+----------------+------------------+
| VISA| 1.0|
| jcb| 1.0|
| MASTERCARD| 1.0|
| maestro| 1.0|
| AMEX| 1.0|
| mastercard|0.9732717137548239|
|american express| 1.0|
| CB| 1.0|
| discover| 1.0|
| visa|0.9846120283294506|
+----------------+------------------+
方法2:使用SQL-您可以通过windows
函数执行此操作。这会快得多
from pyspark.sql.window import Window
df = df.groupBy("card_scheme", "failed").agg(sum("count"))\
.withColumn("X", col("sum(count)")/sum("sum(count)").over(Window.partitionBy(col('card_scheme'))))\
.where(col('failed')== False).drop('failed','sum(count)')
df.show()
+----------------+------------------+
| card_scheme| X|
+----------------+------------------+
| VISA| 1.0|
| jcb| 1.0|
| MASTERCARD| 1.0|
| maestro| 1.0|
| AMEX| 1.0|
| mastercard|0.9732717137548239|
|american express| 1.0|
| CB| 1.0|
| discover| 1.0|
| visa|0.9846120283294506|
+----------------+------------------+
data.groupBy(“卡方案”).pivot(“失败”).agg(计数(“卡方案”))
应该可以工作。我不确定agg(count(any_列))
,但线索是pivot
函数。结果将得到两个新列:false
和true
。然后,您可以轻松地计算x=false/(false+true)
一个简单的解决方案是执行第二个分组:
val grouped_df = data.groupBy("card_scheme", "failed").count() // your dataframe
val with_countFalse = grouped_df.withColumn("countfalse", when($"failed" === "false", $"count").otherwise(lit(0)))
with_countFalse.groupBy("card_scheme").agg(when($"failed" === "false", $"count").otherwise(lit(0)))) / sum($"count")).show()
其思想是,您可以创建第二列,该列在failed=false中包含failed,否则为0。这意味着count列的和为false+true,而countfalse的和为false。然后简单地进行第二次分组
注意:其他一些答案使用pivot。我相信pivot解决方案会更慢(它做的更多),但是,如果您选择使用它,请将特定值添加到pivot调用中,即pivot(“failed”、[“true”、“false”])以提高性能,否则spark将不得不执行两条路径(首先找到值)
创建2个新数据帧:
a = data.filter(col("failed") == "false").groupby("card_scheme").agg(func.sum("count").alias("num"))
b = data.groupby("card_scheme").agg(func.sum("count").alias("den"))
c = a.join(b, a.card_scheme == b.card_scheme).drop(b.card_scheme)
df_true = data.filter(data.failed == True).alias("df1")
df_false =data.filter(data.failed == False).alias("df2")
连接两个数据帧:
a = data.filter(col("failed") == "false").groupby("card_scheme").agg(func.sum("count").alias("num"))
b = data.groupby("card_scheme").agg(func.sum("count").alias("den"))
c = a.join(b, a.card_scheme == b.card_scheme).drop(b.card_scheme)
df_true = data.filter(data.failed == True).alias("df1")
df_false =data.filter(data.failed == False).alias("df2")
将一列与另一列分开:
c.withColumn('X', c.num/c.den)
首先将根数据帧拆分为两个数据帧:
a = data.filter(col("failed") == "false").groupby("card_scheme").agg(func.sum("count").alias("num"))
b = data.groupby("card_scheme").agg(func.sum("count").alias("den"))
c = a.join(b, a.card_scheme == b.card_scheme).drop(b.card_scheme)
df_true = data.filter(data.failed == True).alias("df1")
df_false =data.filter(data.failed == False).alias("df2")
然后进行完全外部连接,我们可以得到最终结果:
from pyspark.sql.functions import col,when
df_result = df_true.join(df_false,df_true.card_scheme == df_false.card_scheme, "outer") \
.select(when(col("df1.card_scheme").isNotNull(), col("df1.card_scheme")).otherwise(col("df2.card_scheme")).alias("card_scheme") \
, when(col("df1.failed").isNotNull(), (col("df2.count")/(col("df1.count") + col("df2.count")))).otherwise(1).alias("X"))
无需执行groupby
,只需额外添加两个数据帧并加入即可。好吧,这与我想要的非常接近,但这有时会给我“null”值,这非常完美!不需要改变任何东西:)真的很有帮助!非常感谢:)您的代码将完美地工作,并将解决手头的问题。我只想说一句话-连接
如果数据存储在多个分区上,那么操作成本相当高,因为这将涉及一次洗牌。其中,groupBy
可以先在本地分区上进行分组,然后再进行洗牌。因此,被洗牌的行数将大大减少,从而提高了处理的效率。你好,是的。我同意:)