将每行的值求和为布尔值（PySpark）

Question

我目前有一个 PySpark 数据框，其中包含许多由整数计数填充的列。其中许多列的计数为零。 我想找到一种方法来计算计数大于零的列数。

换句话说，我想要一种对一行中的值求和的方法，其中给定行的所有列都是有效的布尔值（尽管可能不需要数据类型转换）。我的表中有几列是日期时间或字符串，所以理想情况下我会有一种首先选择数字列的方法。

当前数据框示例和所需输出

+---+---------- +----------+------------            
|USER|   DATE   |COUNT_COL1| COUNT_COL2|...     DESIRED COLUMN
+---+---------- +----------+------------ 
| b | 7/1/2019 |  12      |     1     |              2        (2 columns are non-zero)
| a | 6/9/2019 |  0       |     5     |              1
| c | 1/1/2019 |  0       |     0     |              0

Pandas：例如，在 pandas 中，这可以通过选择数字列、转换为 bool 并与 axis=1 求和来完成。我正在寻找一个 PySpark 等价物。

test_cols=list(pandas_df.select_dtypes(include=[np.number]).columns.values)
pandas_df[test_cols].astype(bool).sum(axis=1)

Answer 1

对于数字，您可以通过使用 integer values 为所有列创建一个 array（使用 >df.dtypes)，然后使用 higher order functions。在这种情况下，我使用 filter 去除所有的 0，然后使用 size 来获取每行所有非零元素的数量。(spark2.4+)

from pyspark.sql import functions as F
df.withColumn("arr", F.array(*[F.col(i[0]) for i in df.dtypes if i[1] in ['int','bigint']]))\
  .withColumn("DESIRED COLUMN", F.expr("""size(filter(arr,x->x!=0))""")).drop("arr").show()

#+----+--------+----------+----------+--------------+
#|USER|    DATE|COUNT_COL1|COUNT_COL2|DESIRED COLUMN|
#+----+--------+----------+----------+--------------+
#|   b|7/1/2019|        12|         1|             2|
#|   a|6/9/2019|         0|         5|             1|
#|   c|1/1/2019|         0|         0|             0|
#+----+--------+----------+----------+--------------+

Answer 2

假设你有以下 df:

df.show()
df.printSchema()

+---+---+---+---+
|_c0|_c1|_c2|_c3|
+---+---+---+---+
|  a|  1|  2|  3|
|  a|  0|  2|  1|
|  a|  0|  0|  1|
|  a|  0|  0|  0|
+---+---+---+---+

root
 |-- _c0: string (nullable = true)
 |-- _c1: string (nullable = true)
 |-- _c2: string (nullable = true)
 |-- _c3: string (nullable = true)

使用 case when 语句，您可以检查列是否为数字，然后检查它是否大于 0。在下一步中，f.size 将返回计数，这要归功于f.array_remove，它只留下了带有True 值的列。

from pyspark.sql import functions as f
cols = [f.when(f.length(f.regexp_replace(f.col(x), '\\d+', '')) > 0, False).otherwise(f.col(x).cast('int') > 0) for x in df2.columns]
df.select("*", f.size(f.array_remove(f.array(*cols), False)).alias("count")).show()

+---+---+---+---+-----+
|_c0|_c1|_c2|_c3|count|
+---+---+---+---+-----+
|  a|  1|  2|  3|    3|
|  a|  0|  2|  1|    2|
|  a|  0|  0|  1|    1|
|  a|  0|  0|  0|    0|
+---+---+---+---+-----+