聚合函数计算Spark中groupBy的使用情况

时间:2017-01-27 09:19:49

标签: java scala apache-spark pyspark apache-spark-sql

我试图在pySpark的一行代码中进行多项操作, 并且不确定我的情况是否可行。

我的意图是不必将输出保存为新的数据帧。

我目前的代码很简单:

encodeUDF = udf(encode_time, StringType())
new_log_df.cache().withColumn('timePeriod', encodeUDF(col('START_TIME')))
  .groupBy('timePeriod')
  .agg(
    mean('DOWNSTREAM_SIZE').alias("Mean"),
    stddev('DOWNSTREAM_SIZE').alias("Stddev")
  )
  .show(20, False)

我的目的是在使用count()后添加groupBy,以获得与 timePeriod 列的每个值相匹配的记录数\显示为输出。

尝试使用groupBy(..).count().agg(..)时,我会遇到异常。

是否有任何方法可以实现count()agg() .show()打印,而无需将代码拆分为两行命令,例如: :

new_log_df.withColumn(..).groupBy(..).count()
new_log_df.withColumn(..).groupBy(..).agg(..).show()

或者更好的是,将合并输出转换为agg.show()输出 - 一个额外的列,用于说明与行的值匹配的计数记录数。 e.g:

timePeriod | Mean | Stddev | Num Of Records
    X      | 10   |   20   |    315

1 个答案:

答案 0 :(得分:47)

count()可以在agg()内使用,因为groupBy表达式相同。

使用Python

import pyspark.sql.functions as func

new_log_df.cache().withColumn("timePeriod", encodeUDF(new_log_df["START_TIME"])) 
  .groupBy("timePeriod")
  .agg(
     func.mean("DOWNSTREAM_SIZE").alias("Mean"), 
     func.stddev("DOWNSTREAM_SIZE").alias("Stddev"),
     func.count(func.lit(1)).alias("Num Of Records")
   )
  .show(20, False)

pySpark SQL functions doc

使用Scala

import org.apache.spark.sql.functions._ //for count()

new_log_df.cache().withColumn("timePeriod", encodeUDF(col("START_TIME"))) 
  .groupBy("timePeriod")
  .agg(
     mean("DOWNSTREAM_SIZE").alias("Mean"), 
     stddev("DOWNSTREAM_SIZE").alias("Stddev"),
     count(lit(1)).alias("Num Of Records")
   )
  .show(20, false)

count(1)将按第一列计算记录,该列等于count("timePeriod")

使用Java

import static org.apache.spark.sql.functions.*;

new_log_df.cache().withColumn("timePeriod", encodeUDF(col("START_TIME"))) 
  .groupBy("timePeriod")
  .agg(
     mean("DOWNSTREAM_SIZE").alias("Mean"), 
     stddev("DOWNSTREAM_SIZE").alias("Stddev"),
     count(lit(1)).alias("Num Of Records")
   )
  .show(20, false)