- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个 Spark DataFrame,我想将其行值转换为单列。它是时间数据(列=小时)。 (示例见下文)。
到目前为止,DataFrame 看起来像这样:
>>> newdf.show(2)
+----------+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+------+------+------+------+------+------+------+------+------+-------+------+------+------+
|Date |temp0|temp1|temp2|temp3|temp4|temp5|temp6|temp7|temp8|temp9|temp10|temp11|temp12|temp13|temp14|temp15|temp16|temp17|temp18|temp19|temp20 |temp21|temp22|temp23|
+----------+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+------+------+------+------+------+------+------+------+------+-------+------+------+------+
|2012-01-07|25 |29 |15 |null |null |null |4 |39 |128 |65 |3 |3 |7 |1 |4 |1 |4 |3 |4 |6 |1 |3 |1 |2 |
|2012-01-08|16 |15 |8 |null |null |null |4 |39 |128 |65 |3 |3 |7 |1 |4 |1 |4 |3 |4 |6 |1 |3 |1 |2 |
+----------+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+------+------+------+------+------+------+------+------+------+-------+------+------+------+
目标数据框应如下所示:
+---------------------+-------------+
| Date | temperature |
+---------------------+-------------+
| 2012-01-07 00:00:00 | 25 |
| 2012-01-07 01:00:00 | 29 |
| 2012-01-07 02:00:00 | 15 |
| 2012-01-07 03:00:00 | null |
| .... | .... |
| 2012-01-08 00:00:00 | 16 |
| 2012-01-08 01:00:00 | 15 |
+---------------------+-------------+
这可以用 PySpark 实现吗?我已经测试了pivot函数,但它无法给我我想要的结构。每行应对应一小时。
还有哪些其他的转置可能性?
最佳答案
第 1 步:创建数据框,
import pyspark.sql.functions as F
df = sql.createDataFrame([
('2012-01-07',25 ,29 ,15 ,7 ,7 ,7 ,4 ,39 ,128 ,65 ,3 ,3 ,7 ,1 ,4 ,1 ,4 ,3 ,4 ,6 ,1 ,3 ,1 ,2 ),\
('2012-01-08',16 ,15 ,8 ,7 ,7 ,7 ,4 ,39 ,128 ,65 ,3 ,3 ,7 ,1 ,4 ,1 ,4 ,3 ,4 ,6 ,1 ,3 ,1 ,2 ),\
],[
'Date','temp0','temp1','temp2','temp3','temp4','temp5','temp6','temp7','temp8','temp9','temp10','temp11','temp12','temp13','temp14','temp15','temp16','temp17','temp18','temp19','temp20' ,'temp21','temp22','temp23'
])
第 2 步:分解列并合并以创建时间戳
def _combine(x,y):
d = str(x) + ' {}:00:00'.format(y)
return d
combine = F.udf(lambda x,y: _combine(x,y))
cols, dtypes = zip(*((c, t) for (c, t) in df.dtypes if c not in ['Date']))
kvs = F.explode(F.array([
F.struct(F.lit(c).alias("key"), F.col(c).alias("val")) for c in cols])).alias("kvs")
df = df.select(['Date'] + [kvs])\
.select(['Date'] + ["kvs.key", F.col("kvs.val").alias('temperature')])\
.withColumn('key', F.regexp_replace('key', 'temp', ''))\
.withColumn('Date', combine('Date','key').cast('timestamp'))\
.drop('key')
df.show()
这给出的输出为,
+-------------------+-----------+
| Date|temperature|
+-------------------+-----------+
|2012-01-07 00:00:00| 25|
|2012-01-07 01:00:00| 29|
|2012-01-07 02:00:00| 15|
|2012-01-07 03:00:00| 7|
|2012-01-07 04:00:00| 7|
|2012-01-07 05:00:00| 7|
|2012-01-07 06:00:00| 4|
|2012-01-07 07:00:00| 39|
|2012-01-07 08:00:00| 128|
|2012-01-07 09:00:00| 65|
|2012-01-07 10:00:00| 3|
|2012-01-07 11:00:00| 3|
|2012-01-07 12:00:00| 7|
|2012-01-07 13:00:00| 1|
|2012-01-07 14:00:00| 4|
|2012-01-07 15:00:00| 1|
|2012-01-07 16:00:00| 4|
|2012-01-07 17:00:00| 3|
|2012-01-07 18:00:00| 4|
|2012-01-07 19:00:00| 6|
|2012-01-07 20:00:00| 1|
|2012-01-07 21:00:00| 3|
|2012-01-07 22:00:00| 1|
|2012-01-07 23:00:00| 2|
|2012-01-08 00:00:00| 16|
|2012-01-08 01:00:00| 15|
|2012-01-08 02:00:00| 8|
|2012-01-08 03:00:00| 7|
|2012-01-08 04:00:00| 7|
|2012-01-08 05:00:00| 7|
|2012-01-08 06:00:00| 4|
|2012-01-08 07:00:00| 39|
|2012-01-08 08:00:00| 128|
|2012-01-08 09:00:00| 65|
|2012-01-08 10:00:00| 3|
|2012-01-08 11:00:00| 3|
|2012-01-08 12:00:00| 7|
|2012-01-08 13:00:00| 1|
|2012-01-08 14:00:00| 4|
|2012-01-08 15:00:00| 1|
|2012-01-08 16:00:00| 4|
|2012-01-08 17:00:00| 3|
|2012-01-08 18:00:00| 4|
|2012-01-08 19:00:00| 6|
|2012-01-08 20:00:00| 1|
|2012-01-08 21:00:00| 3|
|2012-01-08 22:00:00| 1|
|2012-01-08 23:00:00| 2|
+-------------------+-----------+
编辑:如果有两列,
cols_1, dtypes = zip(*((c, t) for (c, t) in df.dtypes if 'temp' in c))
cols_2, dtypes = zip(*((c, t) for (c, t) in df.dtypes if 'wind' in c))
kvs = F.explode(F.array([
F.struct(F.lit(c1).alias("key1"), F.col(c1).alias("val1"), F.lit(c2).alias("key2"), F.col(c2).alias("val2"))\
for c1,c2 in zip(cols_1,cols_2)\
] )).alias("kvs")
df = df.select(['Date'] + [kvs]).select(['Date'] + ["kvs.key1", F.col("kvs.val1").alias('temperature'),
"kvs.key2", F.col("kvs.val2").alias("wind")])
关于python - 如何在 PySpark 中将行值(时间序列)转置为列值?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56386249/
我在数据框中有一列月份数字,想将其更改为月份名称,所以我使用了这个: df['monthName'] = df['monthNumber'].apply(lambda x: calendar.mont
Pyspark 中是否有一个 input() 函数,我可以通过它获取控制台输入。如果是,请详细说明一下。 如何在 PySpark 中编写以下代码: directory_change = input("
我们正在 pyspark 中构建数据摄取框架,并想知道处理数据类型异常的最佳方法是什么。基本上,我们希望有一个拒绝表来捕获所有未与架构确认的数据。 stringDf = sparkSession.cr
我正在开发基于一组 ORC 文件的 spark 数据框的 sql 查询。程序是这样的: from pyspark.sql import SparkSession spark_session = Spa
我有一个 Pyspark 数据框( 原始数据框 )具有以下数据(所有列都有 字符串 数据类型): id Value 1 103 2
我有一台配置了Redis和Maven的服务器 然后我执行以下sparkSession spark = pyspark .sql .SparkSession .builder .master('loca
从一些简短的测试来看,pyspark 数据帧的列删除功能似乎不区分大小写,例如。 from pyspark.sql import SparkSession from pyspark.sql.funct
我有: +---+-------+-------+ | id| var1| var2| +---+-------+-------+ | a|[1,2,3]|[1,2,3]| | b|[2,
从一些简短的测试来看,pyspark 数据帧的列删除功能似乎不区分大小写,例如。 from pyspark.sql import SparkSession from pyspark.sql.funct
我有一个带有多个数字列的 pyspark DF,我想为每一列根据每个变量计算该行的十分位数或其他分位数等级。 这对 Pandas 来说很简单,因为我们可以使用 qcut 函数为每个变量创建一个新列,如
我有以下使用 pyspark.ml 包进行线性回归的代码。但是,当模型适合时,我在最后一行收到此错误消息: IllegalArgumentException: u'requirement failed
我有一个由 | 分隔的平面文件(管道),没有引号字符。示例数据如下所示: SOME_NUMBER|SOME_MULTILINE_STRING|SOME_STRING 23|multiline text
给定如下模式: root |-- first_name: string |-- last_name: string |-- degrees: array | |-- element: struc
我有一个 pyspark 数据框如下(这只是一个简化的例子,我的实际数据框有数百列): col1,col2,......,col_with_fix_header 1,2,.......,3 4,5,.
我有一个数据框 +------+--------------------+-----------------+---- | id| titulo |tipo | formac
我从 Spark 数组“df_spark”开始: from pyspark.sql import SparkSession import pandas as pd import numpy as np
如何根据行号/行索引值删除 Pyspark 中的行值? 我是 Pyspark(和编码)的新手——我尝试编码一些东西,但它不起作用。 最佳答案 您不能删除特定的列,但您可以使用 filter 或其别名
我有一个循环生成多个因子表的输出并将列名存储在列表中: | id | f_1a | f_2a | |:---|:----:|:-----| |1 |1.2 |0.95 | |2 |0.7
我正在尝试将 hql 脚本转换为 pyspark。我正在努力如何在 groupby 子句之后的聚合中实现 case when 语句的总和。例如。 dataframe1 = dataframe0.gro
我想添加新的 2 列值服务 arr 第一个和第二个值 但我收到错误: Field name should be String Literal, but it's 0; production_targe
我是一名优秀的程序员,十分优秀!