根据其他列值（PySpark）从DataFrame获取值

Question

我有一个Spark数据框，我想获取统计数据

stats_df = df.describe(['mycol'])
stats_df.show()

+-------+------------------+
|summary|             mycol|
+-------+------------------+
|  count|               300|
|   mean|              2243|
| stddev|  319.419860456123|
|    min|              1400|
|    max|              3100|
+-------+------------------+

如何使用min max mycol列值在summary中提取min和max的值？我如何通过数字索引来做到这一点？

Answer 1

好的，请考虑以下示例：

from pyspark.sql.functions import rand, randn
df = sqlContext.range(1, 1000).toDF('mycol')
df.describe().show()
# +-------+-----------------+
# |summary|            mycol|
# +-------+-----------------+
# |  count|              999|
# |   mean|            500.0|
# | stddev|288.5307609250702|
# |    min|                1|
# |    max|              999|
# +-------+-----------------+

如果你想访问有关stddev的行，每个例子，你只需要将它转换成RDD，收集它并将其转换成字典如下：

stats = dict(df.describe().map(lambda r : (r.summary,r.mycol)).collect())
print(stats['stddev'])
# 288.5307609250702

Answer 2

您可以轻松地从该数据帧上的选择中分配变量。

x = stats_df.select('mycol').where('summary' == 'min')