我有一个Spark DataFrame,我想在groupby之后计算变量的唯一值数量。
在pandas中,我可以这样获取:df.groupby('UserName').apply(lambda x: x['Server'].nunique())
当df
是一个PySpark DataFrame时,我该如何获得相同的结果?
agg
和countDistinct
进行操作:df.groupBy('UserName').agg(countDistinct('Server').alias('Server'))
因此,您可以使用@pandas_udf在Pyspark中实现类似于pandas.groupby().apply的相同逻辑,这是一种矢量化方法,比简单的UDF更快。
from pyspark.sql.functions import pandas_udf,PandasUDFType
df3 = spark.createDataFrame(
[("a", 1, 0), ("a", -1, 42), ("b", 3, -1), ("b", 10, -2)],
("key", "value1", "value2")
)
from pyspark.sql.types import *
schema = StructType([
StructField("key", StringType()),
StructField("avg_value1", DoubleType()),
StructField("avg_value2", DoubleType()),
StructField("sum_avg", DoubleType()),
StructField("sub_avg", DoubleType())
])
@pandas_udf(schema, functionType=PandasUDFType.GROUPED_MAP)
def g(df):
gr = df['key'].iloc[0]
x = df.value1.mean()
y = df.value2.mean()
w = df.value1.mean() + df.value2.mean()
z = df.value1.mean() - df.value2.mean()
return pd.DataFrame([[gr]+[x]+[y]+[w]+[z]])
df3.groupby("key").apply(g).show()
您可以在def内部使用所有pandas直接函数。
您将获得以下结果:
+---+----------+----------+-------+-------+
|key|avg_value1|avg_value2|sum_avg|sub_avg|
+---+----------+----------+-------+-------+
| b| 6.5| -1.5| 5.0| 8.0|
| a| 0.0| 21.0| 21.0| -21.0|
+---+----------+----------+-------+-------+
因此,您可以在分组数据中对其他字段进行更多计算,并以列表格式将它们添加到数据框中。