pySpark Dataframe 上聚合的多个标准答案

【问题标题】：multiple criteria for aggregation on pySpark DataframepySpark Dataframe 上聚合的多个标准
【发布时间】：2016-10-27 01:08:12
【问题描述】：

我有一个如下所示的 pySpark 数据框：

+-------------+----------+
|          sku|      date|
+-------------+----------+
|MLA-603526656|02/09/2016|
|MLA-603526656|01/09/2016|
|MLA-604172009|02/10/2016|
|MLA-605470584|02/09/2016|
|MLA-605502281|02/10/2016|
|MLA-605502281|02/09/2016|
+-------------+----------+

我想按 sku 分组，然后计算最小和最大日期。如果我这样做：

df_testing.groupBy('sku') \
    .agg({'date': 'min', 'date':'max'}) \
    .limit(10) \
    .show()

行为与 Pandas 相同，我只得到 sku 和 max(date) 列。在 Pandas 中，我通常会执行以下操作以获得我想要的结果：

df_testing.groupBy('sku') \
    .agg({'day': ['min','max']}) \
    .limit(10) \
    .show()

但是在 pySpark 上这不起作用，我得到一个 java.util.ArrayList cannot be cast to java.lang.String 错误。谁能指出正确的语法？

谢谢。

【问题讨论】：

标签： apache-spark pyspark spark-dataframe

【解决方案1】：

你不能使用字典。使用：

>>> from pyspark.sql import functions as F
>>>
>>> df_testing.groupBy('sku').agg(F.min('date'), F.max('date'))

【讨论】：

谢谢！这解决了问题。最初我尝试了from pyspark.sql.functions import min, max 和您提出的方法，只是没有 F。也许 python 将 SQL 函数与本机函数混淆了。
我的意思是，我不会将其称为答案，因为它不能解决必须从本质上对字典进行非规范化的问题。哦，我的错！它确实解决了最初的问题，但非规范化问题仍然存在。