如何在pyspark的列中找到列表的平均值？

Question

我有如下所示的数据框。我希望能够找到一个平均值并放入一个 new_column。我可以使用 udf 找到 avg，但不能将其放在列中。如果您可以在没有 udf 的情况下提供帮助，那就太好了。否则，欢迎对当前解决方案提供任何帮助。

from pyspark.sql.types import StructType,StructField 
from pyspark.sql.types import StringType, IntegerType, ArrayType
data = [
("Smith","[55, 65, 75]"),
("Anna","[33, 44, 55]"),
("Williams","[9.5, 4.5, 9.7]"),    
]
     
schema = StructType([
StructField('name', StringType(), True),
StructField('some_value', StringType(), True)
])

df = spark.createDataFrame(data = data, schema= schema)
df.show(truncate=False)

+--------+---------------+
|name    |some_value     |
+--------+---------------+
|Smith   |[55, 65, 75]   |
|Anna    |[33, 44, 55]   |
|Williams|[9.5, 4.5, 9.7]|
+--------+---------------+

解决办法是这样的，

array_mean = F.udf(lambda x: float(np.mean(x)), FloatType())

（来自Find mean of pyspark array<double>）返回一个数据框而不是一个新列。

欢迎任何帮助。谢谢。

Answer 1

您有一个看起来像数组的字符串列，而不是数组列，因此您还需要转换 UDF 中的数据类型：

import json
import numpy as np
import pyspark.sql.functions as F

array_mean = F.udf(lambda x: float(np.mean(json.loads(x))), 'float')
df2 = df.withColumn('mean_value', array_mean('some_value'))

df2.show()
+--------+---------------+----------+
|    name|     some_value|mean_value|
+--------+---------------+----------+
|   Smith|   [55, 65, 75]|      65.0|
|    Anna|   [33, 44, 55]|      44.0|
|Williams|[9.5, 4.5, 9.7]|       7.9|
+--------+---------------+----------+

Answer 2

从 Pandas 和新手到 pyspark，我走了很长一段路。

1. 剥离[]

2. 拆分成列表

3. 爆炸

4. 意思

   df2 = df.select(df.name,F.regexp_replace('some_value', '[\\]\\[]', "").alias("some_value")).select(df.name, F.split("some_value",",").alias("some_value")).select(df.name, F.explode("some_value").alias("some_value"))
    df2 = df2.withColumn("some_value", df2.some_value.cast('float')).groupBy("name").mean( "some_value")