PySpark DataFrame上的Sum运算在类型正常时给出TypeError

时间:2016-04-19 12:53:32

标签: python apache-spark dataframe pyspark

我在PySpark中有这样的DataFrame(这是一个take(3)的结果,数据帧非常大):

sc = SparkContext()
df = [Row(owner=u'u1', a_d=0.1), Row(owner=u'u2', a_d=0.0), Row(owner=u'u1', a_d=0.3)]

相同的所有者会有更多行。我需要做的是在分组后将每个所有者的字段a_d的值相加为

b = df.groupBy('owner').agg(sum('a_d').alias('a_d_sum'))

但这会引发错误

  

TypeError:+:' int'不支持的操作数类型和' str'

但是,架构包含双精度值,而不是字符串(这来自printSchema()):

root
|-- owner: string (nullable = true)
|-- a_d: double (nullable = true)

那么这里发生了什么?

1 个答案:

答案 0 :(得分:22)

您没有使用正确的求和函数,而是使用built-in函数sum(默认情况下)。

因此build-in函数不起作用的原因是 这是一个可迭代的参数,其中传递的列的名称是一个字符串,built-in函数不能应用于字符串。 Ref. Python Official Documentation

您需要从pyspark.sql.functions导入正确的功能:

from pyspark.sql import Row
from pyspark.sql.functions import sum as _sum

df = sqlContext.createDataFrame(
    [Row(owner=u'u1', a_d=0.1), Row(owner=u'u2', a_d=0.0), Row(owner=u'u1', a_d=0.3)]
)

df2 = df.groupBy('owner').agg(_sum('a_d').alias('a_d_sum'))
df2.show()

# +-----+-------+
# |owner|a_d_sum|
# +-----+-------+
# |   u1|    0.4|
# |   u2|    0.0|
# +-----+-------+