python ，pyspark : get sum of a pyspark dataframe column values

Question

假设我有这样一个数据框

name age city
abc   20  A
def   30  B

我想在数据框的末尾添加一个摘要行，所以结果会像

name age city
abc   20  A
def   30  B
All   50  All

所以 String 'All'，我可以很容易地输入，但是如何获取 sum(df['age']) ###column object is not iterable

data = spark.createDataFrame([("abc", 20, "A"), ("def", 30, "B")],["name", "age", "city"])
data.printSchema()
#root
 #|-- name: string (nullable = true)
 #|-- age: long (nullable = true)
 #|-- city: string (nullable = true)
res = data.union(spark.createDataFrame([('All',sum(data['age']),'All')], data.columns))  ## TypeError: Column is not iterable
#Even tried with data['age'].sum() and got error.   If i am using [('All',50,'All')], it is doing fine. 

我通常在 Pandas 数据框上工作，但对 Spark 不熟悉。可能是我对 spark dataframe 的理解还不够成熟。

请建议，如何通过 pyspark 中的数据框列获得总和。如果有任何更好的方法可以将行添加/附加到数据帧的末尾。谢谢。

Answer 1

Spark SQL 有一个专用于列函数的模块 pyspark.sql.functions .
所以它的工作方式是:

from pyspark.sql import functions as F
data = spark.createDataFrame([("abc", 20, "A"), ("def", 30, "B")],["name", "age", "city"])

res = data.unionAll(
    data.select([
        F.lit('All').alias('name'), # create a cloumn named 'name' and filled with 'All'
        F.sum(data.age).alias('age'), # get the sum of 'age'
        F.lit('All').alias('city') # create a column named 'city' and filled with 'All'
    ]))
res.show()

打印:

+----+---+----+
|name|age|city|
+----+---+----+
| abc| 20|   A|
| def| 30|   B|
| All| 50| All|
+----+---+----+