在Spark Dataframe中，对一列包含多个列的列表进行行求和并添加一列。

Question

我有一个Spark dataframe，其中包含多列数据。我想添加一列到dataframe中，该列是某些列的和。

例如，我的数据如下：

ID var1 var2 var3 var4 var5
a   5     7    9    12   13
b   6     4    3    20   17
c   4     9    4    6    9
d   1     2    6    8    1

我希望添加一列来对特定列的行求和：

ID var1 var2 var3 var4 var5   sums
a   5     7    9    12   13    46
b   6     4    3    20   17    50
c   4     9    4    6    9     32
d   1     2    6    8    10    27

我知道如果你知道要相加的具体列，就可以把它们加在一起：

val newdf = df.withColumn("sumofcolumns", df("var1") + df("var2"))

但是，是否可能传递一列列名并将它们相加？基于这个答案，它基本上是我想要的，但它使用的是 Python API 而不是 Scala（在 PySpark 数据帧中添加列总和作为新列），我认为像这样的东西会起作用：

//Select columns to sum
val columnstosum = ("var1", "var2","var3","var4","var5")

// Create new column called sumofcolumns which is sum of all columns listed in columnstosum
val newdf = df.withColumn("sumofcolumns", df.select(columstosum.head, columnstosum.tail: _*).sum)

这会抛出错误信息：值sum不是org.apache.spark.sql.DataFrame的成员。是否有一种方法可以对列求和？

非常感谢您的帮助。

- Sarah

Answer 1

你应该尝试以下方法：

import org.apache.spark.sql.functions._

val sc: SparkContext = ...
val sqlContext = new SQLContext(sc)

import sqlContext.implicits._

val input = sc.parallelize(Seq(
  ("a", 5, 7, 9, 12, 13),
  ("b", 6, 4, 3, 20, 17),
  ("c", 4, 9, 4, 6 , 9),
  ("d", 1, 2, 6, 8 , 1)
)).toDF("ID", "var1", "var2", "var3", "var4", "var5")

val columnsToSum = List(col("var1"), col("var2"), col("var3"), col("var4"), col("var5"))

val output = input.withColumn("sums", columnsToSum.reduce(_ + _))

output.show()

那么结果就是：

+---+----+----+----+----+----+----+
| ID|var1|var2|var3|var4|var5|sums|
+---+----+----+----+----+----+----+
|  a|   5|   7|   9|  12|  13|  46|
|  b|   6|   4|   3|  20|  17|  50|
|  c|   4|   9|   4|   6|   9|  32|
|  d|   1|   2|   6|   8|   1|  18|
+---+----+----+----+----+----+----+

- Paweł Jurczenko

Answer 2

简而言之：

import org.apache.spark.sql.Column
import org.apache.spark.sql.functions.{lit, col}

def sum_(cols: Column*) = cols.foldLeft(lit(0))(_ + _)

val columnstosum = Seq("var1", "var2", "var3", "var4", "var5").map(col _)
df.select(sum_(columnstosum: _*))

使用Python等效代码：

from functools import reduce
from operator import add
from pyspark.sql.functions import lit, col

def sum_(*cols):
    return reduce(add, cols, lit(0))

columnstosum = [col(x) for x in ["var1", "var2", "var3", "var4", "var5"]]
select("*", sum_(*columnstosum))

如果行中有缺失值，两者都会默认为NA。您可以使用DataFrameNaFunctions.fill或coalesce函数来避免这种情况。

- zero323

Answer 3

假设您有一个名为df的数据框。那么您可以汇总除了ID列以外的所有列。当您有许多列并且不想手动提及所有列名称时，这非常有用，就像每个人上面提到的那样。 此帖子具有相同的答案。

val sumAll = df.columns.collect{ case x if x != "ID" => col(x) }.reduce(_ + _)
df.withColumn("sum", sumAll)

- Abu Shoeb

Answer 4

以下是使用Python的优雅解决方案:

NewDF = OldDF.withColumn('sums', sum(OldDF[col] for col in OldDF.columns[1:]))

希望这能影响Spark中类似的内容...有人吗？

- Aerianis