pandas - 从 Pandas groupBy 到 PySpark groupBy

Question

考虑一个 Spark DataFrame，其中只有很少的列。目标是对其执行 groupBy 操作，而不将其转换为 Pandas DataFrame。等效的 Pandas groupBy 代码如下所示:

def compute_metrics(x):
    return pd.Series({
        'a': x['a'].values[0],
        'new_b': np.sum(x['b']),
        'c': np.mean(x['c']),
        'cnt': len(x)
    })

data.groupby([
    'col_1',
    'col_2'
]).apply(compute_metrics).reset_index()

我打算在 PySpark 中写这个。到目前为止，我在 PySpark 中想出了类似的东西:

gdf = df.groupBy([
    'col_1',
    'col_2'
]).agg({
    'c': 'avg',
    'b': 'sum'
}).withColumnRenamed('sum(b)', 'new_b')

但是，我不确定如何处理 'a': x['a'].values[0] 和 'cnt': len(x)。我考虑过使用来自 pyspark.sql 导入函数的collect_list，但这让我的脸因Column object is not Callable而打脸。知道如何完成上述转换吗？谢谢!

[更新]对任何列执行count操作以获得cnt是否有意义？假设我这样做:

gdf = df.groupBy([
    'col_1',
    'col_2'
]).agg({
    'c': 'avg',
    'b': 'sum',
    'some_column': 'count'
}).withColumnRenamed('sum(b)', 'new_b')
  .withColumnRenamed('count(some_column)', 'cnt')

Answer 1

我有一个使用 PySpark 函数 sum、avg、count 和 first 的玩具解决方案。 请注意，我在此解决方案中使用 Spark 2.1。希望这能有所帮助!

from pyspark.sql.functions import sum, avg, count, first

# create toy example dataframe with column 'A', 'B' and 'C'
ls = [['a', 'b',3], ['a', 'b', 4], ['a', 'c', 3], ['b', 'b', 5]]
df = spark.createDataFrame(ls, schema=['A', 'B', 'C'])

# group by column 'A' and 'B' then performing some function here
group_df = df.groupby(['A', 'B'])
df_grouped = group_df.agg(sum("C").alias("sumC"), 
                          avg("C").alias("avgC"), 
                          count("C").alias("countC"), 
                          first("C").alias("firstC"))
df_grouped.show() # print out the spark dataframe