SparkSQL: aplicar funciones agregadas a una lista de columnas

¿Hay alguna manera de aplicar una función agregada a todas (o una lista de) columnas de un dataframe, cuando se hace un groupBy ? En otras palabras, ¿hay alguna manera de evitar hacer esto para cada columna?

 df.groupBy("col1") .agg(sum("col2").alias("col2"), sum("col3").alias("col3"), ...) 

Existen múltiples formas de aplicar funciones agregadas a múltiples columnas.

GroupedData clase GroupedData proporciona una cantidad de métodos para las funciones más comunes, incluyendo count , max , min , mean y sum , que se pueden usar directamente de la siguiente manera:

  • Pitón:

     df = sqlContext.createDataFrame( [(1.0, 0.3, 1.0), (1.0, 0.5, 0.0), (-1.0, 0.6, 0.5), (-1.0, 5.6, 0.2)], ("col1", "col2", "col3")) df.groupBy("col1").sum() ## +----+---------+-----------------+---------+ ## |col1|sum(col1)| sum(col2)|sum(col3)| ## +----+---------+-----------------+---------+ ## | 1.0| 2.0| 0.8| 1.0| ## |-1.0| -2.0|6.199999999999999| 0.7| ## +----+---------+-----------------+---------+ 
  • Scala

     val df = sc.parallelize(Seq( (1.0, 0.3, 1.0), (1.0, 0.5, 0.0), (-1.0, 0.6, 0.5), (-1.0, 5.6, 0.2)) ).toDF("col1", "col2", "col3") df.groupBy($"col1").min().show // +----+---------+---------+---------+ // |col1|min(col1)|min(col2)|min(col3)| // +----+---------+---------+---------+ // | 1.0| 1.0| 0.3| 0.0| // |-1.0| -1.0| 0.6| 0.2| // +----+---------+---------+---------+ 

Opcionalmente puede pasar una lista de columnas que deben agregarse

 df.groupBy("col1").sum("col2", "col3") 

También puede pasar diccionario / mapa con columnas a las teclas y funciones como valores:

  • Pitón

     exprs = {x: "sum" for x in df.columns} df.groupBy("col1").agg(exprs).show() ## +----+---------+ ## |col1|avg(col3)| ## +----+---------+ ## | 1.0| 0.5| ## |-1.0| 0.35| ## +----+---------+ 
  • Scala

     val exprs = df.columns.map((_ -> "mean")).toMap df.groupBy($"col1").agg(exprs).show() // +----+---------+------------------+---------+ // |col1|avg(col1)| avg(col2)|avg(col3)| // +----+---------+------------------+---------+ // | 1.0| 1.0| 0.4| 0.5| // |-1.0| -1.0|3.0999999999999996| 0.35| // +----+---------+------------------+---------+ 

Finalmente puedes usar varargs:

  • Pitón

     from pyspark.sql.functions import min exprs = [min(x) for x in df.columns] df.groupBy("col1").agg(*exprs).show() 
  • Scala

     import org.apache.spark.sql.functions.sum val exprs = df.columns.map(sum(_)) df.groupBy($"col1").agg(exprs.head, exprs.tail: _*) 

Hay otra forma de lograr un efecto similar, pero esto debería ser más que suficiente la mayor parte del tiempo.

Otro ejemplo del mismo concepto, pero digamos, tiene 2 columnas diferentes, y desea aplicar diferentes funciones agg a cada una de ellas, es decir,

 f.groupBy("col1").agg(sum("col2").alias("col2"), avg("col3").alias("col3"), ...) 

Esta es la manera de lograrlo, aunque todavía no sé cómo agregar el alias en este caso

Vea el ejemplo a continuación – Uso de mapas

 val Claim1 = StructType(Seq(StructField("pid", StringType, true),StructField("diag1", StringType, true),StructField("diag2", StringType, true), StructField("allowed", IntegerType, true), StructField("allowed1", IntegerType, true))) val claimsData1 = Seq(("PID1", "diag1", "diag2", 100, 200), ("PID1", "diag2", "diag3", 300, 600), ("PID1", "diag1", "diag5", 340, 680), ("PID2", "diag3", "diag4", 245, 490), ("PID2", "diag2", "diag1", 124, 248)) val claimRDD1 = sc.parallelize(claimsData1) val claimRDDRow1 = claimRDD1.map(p => Row(p._1, p._2, p._3, p._4, p._5)) val claimRDD2DF1 = sqlContext.createDataFrame(claimRDDRow1, Claim1) val l = List("allowed", "allowed1") val exprs = l.map((_ -> "sum")).toMap claimRDD2DF1.groupBy("pid").agg(exprs) show false val exprs = Map("allowed" -> "sum", "allowed1" -> "avg") claimRDD2DF1.groupBy("pid").agg(exprs) show false 
    Intereting Posts