gpt4 book ai didi

arrays - Pyspark 数据框 : Count elements in array or list

转载 作者:行者123 更新时间:2023-12-04 11:38:46 26 4
gpt4 key购买 nike

让我们假设数据帧 df作为:

df.show()

输出:
+------+----------------+
|letter| list_of_numbers|
+------+----------------+
| A| [3, 1, 2, 3]|
| B| [1, 2, 1, 1]|
+------+----------------+

我想做的是 count列中特定元素的编号 list_of_numbers .像这样的东西:
+------+----------------+----+
|letter| list_of_numbers|ones|
+------+----------------+----+
| A| [3, 1, 2, 3]| 1|
| B| [1, 2, 1, 1]| 3|
+------+----------------+----+

到目前为止,我已经尝试创建 udf它完美地工作,但我想知道我是否可以在不定义任何 udf 的情况下做到这一点。 .

最佳答案

您可以分解数组并过滤 1 的分解值。 .然后groupBycount :

from pyspark.sql.functions import col, count, explode

df.select("*", explode("list_of_numbers").alias("exploded"))\
.where(col("exploded") == 1)\
.groupBy("letter", "list_of_numbers")\
.agg(count("exploded").alias("ones"))\
.show()
#+------+---------------+----+
#|letter|list_of_numbers|ones|
#+------+---------------+----+
#| A| [3, 1, 2, 3]| 1|
#| B| [1, 2, 1, 1]| 3|
#+------+---------------+----+

为了保留所有行,即使计数为 0,也可以转换 exploded列转换为指示变量。然后 groupBysum .

from pyspark.sql.functions import col, count, explode, sum as sum_

df.select("*", explode("list_of_numbers").alias("exploded"))\
.withColumn("exploded", (col("exploded") == 1).cast("int"))\
.groupBy("letter", "list_of_numbers")\
.agg(sum_("exploded").alias("ones"))\
.show()

注意,我导入了 pyspark.sql.functions.sumsum_为了不覆盖内置 sum功能。

关于arrays - Pyspark 数据框 : Count elements in array or list,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52550420/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com