我有一个 PySpark 数据框,想对几列进行分组,然后计算某些列的总和并计算另一列的不同值。由于countDistinct
不是内置的聚合函数,我不能使用像我在这里尝试的那样的简单表达式:
sum_cols = ['a', 'b']
count_cols = ['id']
exprs1 = {x: "sum" for x in sum_cols}
exprs2 = {x: "countDistinct" for x in count_cols}
exprs = {**exprs1, **exprs2}
df_aggregated = df.groupby('month','product').agg(exprs)
我也尝试从接近这个答案的exprs2 = [countDistinct(x) for x in count_cols]
,但我收到一条错误信息,当我AssertionError: all exprs should be Column
,当我试图只为聚集列。
如何在一个聚合中组合 sum 和 count distinct ?我知道,我可以用sum
列做一次,用列做一次,countDistinct
然后加入两个数据帧,但应该有一个解决方案可以一步完成......
不要使用agg的字典版本,而是使用带有列列表的版本:
from pyspark.sql import functions as F
df = ...
exprs1 = [F.sum(c) for c in sum_cols]
exprs2 = [F.countDistinct(c) for c in count_cols]
df_aggregated = df.groupby('month_product').agg(*(exprs1+exprs2))
如果你想保持当前的逻辑,你可以切换到approx_count_distinct。与countDistinct
此功能不同,该功能可作为 SQL 功能使用。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句