从 Pandas groupBy 到 PySpark groupBy

Question

考虑一个 Spark DataFrame，其中我们有很少的列。目标是在不将其转换为 Pandas DataFrame 的情况下对其执行 groupBy 操作。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()

我打算用 PySpark 写这个。到目前为止，我在PySpark 中提出了类似的内容：

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)。我曾想过使用from pyspark.sql import functions 中的collect_list，但这会用Column object is not Callable 打我的脸。知道如何完成上述转换吗？谢谢！

[UPDATE] 对 any 列执行count 操作以获得cnt 是否有意义？说我这样做：

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

我有这个使用 PySpark 函数 sum、avg、count 和 first 的玩具解决方案。 注意，我在此解决方案中使用 Spark 2.1。希望对您有所帮助！

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