Question

我有一个pyspark 2.0.1。我正在尝试将数据框和数据分组。从我的数据框中检索所有字段的值。我找到了

z=data1.groupby('country').agg(F.collect_list('names'))

会给我国家和地区的价值观名字属性＆amp;对于names属性，它将列标题为collect_list(names)。但是对于我的工作，我有大约15列的数据框和＆amp;我会跑一个循环＆amp;每次在循环内部都会改变groupby字段。需要输出所有剩余的字段。你能建议我如何使用collect_list（）或任何其他pyspark函数吗？

我也试过这段代码

from pyspark.sql import functions as F 
fieldnames=data1.schema.names 
names1= list() 
for item in names: 
   if item != 'names': 
     names1.append(item) 
 z=data1.groupby('names').agg(F.collect_list(names1)) 
 z.show()

但收到了错误消息

Py4JError: An error occurred while calling z:org.apache.spark.sql.functions.collect_list. Trace: py4j.Py4JException: Method collect_list([class java.util.ArrayList]) does not exist

Answer 1

在调用groupBy

之前使用struct组合列

假设您有数据框

df = spark.createDataFrame(sc.parallelize([(0,1,2),(0,4,5),(1,7,8),(1,8,7)])).toDF("a","b","c")

df = df.select("a", f.struct(["b","c"]).alias("newcol"))
df.show()
+---+------+
|  a|newcol|
+---+------+
|  0| [1,2]|
|  0| [4,5]|
|  1| [7,8]|
|  1| [8,7]|
+---+------+
df = df.groupBy("a").agg(f.collect_list("newcol").alias("collected_col"))
df.show()
+---+--------------+
|  a| collected_col|
+---+--------------+
|  0|[[1,2], [4,5]]|
|  1|[[7,8], [8,7]]|
+---+--------------+

聚合操作只能在单列上完成。

聚合后，您可以收集结果并迭代它以分离组合列生成索引字典。或者你可以写一个 udf将组合列分开。

from pyspark.sql.types import *
def foo(x):
    x1 = [y[0] for y in x]
    x2 = [y[1] for y in x]
    return(x1,x2)

st = StructType([StructField("b", ArrayType(LongType())), StructField("c", ArrayType(LongType()))])
udf_foo = udf(foo, st)
df = df.withColumn("ncol", 
                  udf_foo("collected_col")).select("a",
                  col("ncol").getItem("b").alias("b"), 
                  col("ncol").getItem("c").alias("c"))
df.show()

+---+------+------+
|  a|     b|     c|
+---+------+------+
|  0|[1, 4]|[2, 5]|
|  1|[7, 8]|[8, 7]|
+---+------+------+

Answer 2

在spark 2.4.4和python 3.7中（我想它也与以前的spark和python版本相关）-
我的建议是基于pauli's的答案，
而不是先创建结构然后使用agg函数，而是在内部 collect_list中创建结构：

df = spark.createDataFrame([(0,1,2),(0,4,5),(1,7,8),(1,8,7)]).toDF("a","b","c")
df.groupBy("a").agg(collect_list(struct(["b","c"])).alias("res")).show()

结果：

+---+-----------------+
|  a|res              |
+---+-----------------+
|  0|[[1, 2], [4, 5]] |
|  1|[[7, 8], [8, 7]] |
+---+-----------------+

Answer 3

实际上我们可以在pyspark 2.2中做到这一点。

首先，我们需要创建一个常量列（“ Temp”），使用该列创建一个groupBy（“ Temp”），并通过传递可迭代的* exprs来应用agg。

下面是代码：

import pyspark.sql.functions as ftions
import functools as ftools

def groupColumnData(df, columns):
      df = df.withColumn("Temp", ftions.lit(1))
      exprs = [ftions.collect_list(colName) for colName in columns]
      df = df.groupby('Temp').agg(*exprs)
      df = df.drop("Temp")
      df = df.toDF(*columns)
      return df

输入数据：

df.show()
+---+---+---+
|  a|  b|  c|
+---+---+---+
|  0|  1|  2|
|  0|  4|  5|
|  1|  7|  8|
|  1|  8|  7|
+---+---+---+

输出数据：

df.show()

    +------------+------------+------------+
    |           a|           b|           c|
    +------------+------------+------------+
    |[0, 0, 1, 1]|[1, 4, 7, 8]|[2, 5, 8, 7]|
    +------------+------------+------------+

如何使用pyspark collect_list函数检索所有列

3 个答案: