Pyspark - 多列聚合

Question

我有如下数据。文件名：babynames.csv。

year    name    percent     sex
1880    John    0.081541    boy
1880    William 0.080511    boy
1880    James   0.050057    boy

我需要根据年份和性别对输入进行排序，我希望输出汇总如下（此输出将分配给新的RDD）。

year    sex   avg(percentage)   count(rows)
1880    boy   0.070703         3

我不确定在pyspark中执行以下步骤后如何继续。需要你的帮助

testrdd = sc.textFile("babynames.csv");
rows = testrdd.map(lambda y:y.split(',')).filter(lambda x:"year" not in x[0])
aggregatedoutput = ????

Answer 1

1. 按照the README的说明添加spark-csv package

2. 加载数据

   df = (sqlContext.read
       .format("com.databricks.spark.csv")
       .options(inferSchema="true", delimiter=";", header="true")
       .load("babynames.csv"))
   

3. 导入所需的功能

   from pyspark.sql.functions import count, avg
   

4. 分组依据和汇总（可选择使用Column.alias：

   df.groupBy("year", "sex").agg(avg("percent"), count("*"))
   

<强>替代地：

• 将percent投射到数字
• 重塑为一种格式（（year，sex），percent）
• aggregateByKey使用pyspark.statcounter.StatCounter