Question

我正在寻找pandas数据帧的pyspark等价物。特别是，我想在pyspark dataframe上执行以下操作

# in pandas dataframe, I can do the following operation
# assuming df = pandas dataframe
index = df['column_A'] > 0.0
amount = sum(df.loc[index, 'column_B'] * df.loc[index, 'column_C']) 
        / sum(df.loc[index, 'column_C'])

我想知道对pyspark数据帧执行此操作的pyspark等价是什么？

Answer 1

这很简单，可以使用RDD（我不熟悉spark.sql.DataFrame）：

x, y = (df.rdd
        .filter(lambda x: x.column_A > 0.0)
        .map(lambda x: (x.column_B*x.column_C, x.column_C))
        .reduce(lambda x, y: (x[0]+y[0], x[1]+y[1])))
amount = x / y

或filter DataFrame然后跳转到RDD：

x, y = (df
        .filter(df.column_A > 0.0)
        .rdd
        .map(lambda x: (x.column_B*x.column_C, x.column_C))
        .reduce(lambda x, y: (x[0]+y[0], x[1]+y[1])))
amount = x / y

经过一番挖掘后，不确定这是否是最有效的方法，但没有进入RDD：

x, y = (df
        .filter(df.column_A > 0.0)
        .select((df.column_B * df.column_C).alias("product"), df.column_C)
        .agg({'product': 'sum', 'column_C':'sum'})).first()
amount = x / y

Answer 2

Spark DataFrame没有严格的顺序，因此索引没有意义。相反，我们使用类似SQL的DSL。在这里，您可以使用where（filter）和select。如果数据如下所示：

import pandas as pd
import numpy as np
from pyspark.sql.functions import col, sum as sum_

np.random.seed(1)

df = pd.DataFrame({
   c: np.random.randn(1000) for c in ["column_A", "column_B", "column_C"]
})

amount将是

amount
# 0.9334143225687774

和Spark等价物是：

sdf = spark.createDataFrame(df)

(amount_, ) = (sdf
    .where(sdf.column_A > 0.0)
    .select(sum_(sdf.column_B * sdf.column_C) / sum_(sdf.column_C))
    .first())

结果在数值上是等价的：

abs(amount - amount_)
# 1.1102230246251565e-16

你也可以使用条件：

from pyspark.sql.functions import when

pred = col("column_A") > 0.0

amount_expr = sum_(
  when(pred, col("column_B")) * when(pred, col("column_C"))
) / sum_(when(pred, col("column_C")))

sdf.select(amount_expr).first()[0]
# 0.9334143225687773

看起来更像熊猫，但更加冗长。

Answer 3

更多快速的Pysparky答案

$shareName = "myshare"

New-AzRmStorageShare `
    -ResourceGroupName $resourceGroupName `
    -StorageAccountName $storageAccountName `
    -Name $shareName `
    -QuotaGiB 1024 | Out-Null

pyspark等同于`df.loc`？

3 个答案: