我正在尝试在pyspark.sql.dataframe
from pyspark.sql.functions import sum as spark_sum
df = spark.createDataFrame([
('a', 1.0, 1.0), ('a',1.0, 0.2), ('b', 1.0, 1.0),
('c' ,1.0, 0.5), ('d', 0.55, 1.0),('e', 1.0, 1.0)
])
>>> df.show()
+---+----+---+
| _1| _2| _3|
+---+----+---+
| a| 1.0|1.0|
| a| 1.0|0.2|
| b| 1.0|1.0|
| c| 1.0|0.5|
| d|0.55|1.0|
| e| 1.0|1.0|
+---+----+---+
然后,我正在尝试执行以下操作。
1)选择列df[_2]
>列时的行df[_3]
2)对于从上面选择的每一行,乘以df[_2] * df[_3]
,然后取其总和
3)将上面的结果除以df[_3]
这是我做的:
>>> filter_df = df.where(df['_2'] > df['_3'])
>>> filter_df.show()
+---+---+---+
| _1| _2| _3|
+---+---+---+
| a|1.0|0.2|
| c|1.0|0.5|
+---+---+---+
>>> result = spark_sum(filter_df['_2'] * filter_df['_3'])
/ spark_sum(filter_df['_3'])
>>> df.select(result).show()
+--------------------------+
|(sum((_2 * _3)) / sum(_3))|
+--------------------------+
| 0.9042553191489361|
+--------------------------+
但答案应该是(1.0 * 0.2 + 1.0 * 0.5)/(0.2 + 0.5)= 1.0 这是不正确的。什么?
在我看来,此类操作仅针对原始df
,而不是filter_df
。 WTF?
答案 0 :(得分:2)
您需要在filter_df中调用它。
>>> result = spark_sum(filter_df['_2'] * filter_df['_3'])
/ spark_sum(filter_df['_3'])
这是一个转换函数,它返回一个列并应用于我们应用它的数据帧(延迟评估)。 Sum是一个聚合函数,在没有任何组的情况下调用时,它适用于整个数据集。
>>> filter_df.select(result).show()
+--------------------------+
|(sum((_2 * _3)) / sum(_3))|
+--------------------------+
| 1.0|
+--------------------------+