Pyspark数据框：在分组另一列的同时对一列进行求和

Question

我有一个数据框，如下所示

In [94]: prova_df.show()


order_item_order_id order_item_subtotal
1                   299.98             
2                   199.99             
2                   250.0              
2                   129.99             
4                   49.98              
4                   299.95             
4                   150.0              
4                   199.92             
5                   299.98             
5                   299.95             
5                   99.96              
5                   299.98             

我希望做的是，对于第一列的每个不同值，计算相应第二列的值的总和。我尝试使用以下代码实现：

from pyspark.sql import functions as func
prova_df.groupBy("order_item_order_id").agg(func.sum("order_item_subtotal")).show()

产生输出

SUM('order_item_subtotal)
129.99000549316406       
579.9500122070312        
199.9499969482422        
634.819995880127         
434.91000747680664 

我不确定它是否做了正确的事情。 为什么它没有显示第一列的信息？ 提前感谢您的答复。

- Paolo Lami

Answer 1

为什么第一列的信息也没有显示出来？

很可能是因为您正在使用过时的Spark 1.3.x版本。如果是这种情况，您需要在agg中重复分组列，如下所示：

(df
    .groupBy("order_item_order_id")
    .agg(func.col("order_item_order_id"), func.sum("order_item_subtotal"))
    .show())

- zero323

Answer 2

您的问题可以使用PySpark 2.7.x来实现类似的解决方案，代码如下：

df = spark.createDataFrame(
    [(1, 299.98),
    (2, 199.99),
    (2, 250.0),
    (2, 129.99),
    (4, 49.98),
    (4, 299.95),
    (4, 150.0),
    (4, 199.92),
    (5, 299.98),
    (5, 299.95),
    (5, 99.96),
    (5, 299.98)],
    ['order_item_order_id', 'order_item_subtotal'])

df.groupBy('order_item_order_id').sum('order_item_subtotal').show()

这导致以下输出:

+-------------------+------------------------+
|order_item_order_id|sum(order_item_subtotal)|
+-------------------+------------------------+
|                  5|       999.8700000000001|
|                  1|                  299.98|
|                  2|                  579.98|
|                  4|                  699.85|
+-------------------+------------------------+

- Zac Roberts

Answer 3

你可以在窗口函数中使用分区:

from pyspark.sql import Window

df.withColumn("value_field", f.sum("order_item_subtotal") \
  .over(Window.partitionBy("order_item_order_id"))) \
  .show()

- luminousmen

---

这里的value_field是什么？ - karthik r

只是一个任意的字符串，你想要给列命名。 - information_interchange