Question

我在Pyspark中有一个数据框，我想在该数据框上计算列中的空值以及相应列的不同值，即非空值

这是我拥有的数据框

trans_date   transaction_id    transaction_id1
2016-01-01     1                  1
2016-01-01     2                 null
2016-01-01     null               3

我想在月份和年份进行汇总，并生成类似这样的内容


df.groupBy(F.month(F.col("trans_date")).alias("MONTH"), \
                            F.year(F.col("trans_date")).alias("YEAR")) \
  .agg(*(F.sum(F.col(c).isNull().cast("int")).alias(c) for c in columns))\
  .show()

这就是我在代码方面的能力，但是似乎并不能给我很好的答案。同样，应该如何在同一代码中进行非空计数。任何帮助，将不胜感激。谢谢！

Answer 1

首先，按年份和月份分组。我们可以计算每列中每组的空值和非空值，并将它们转换为int后求和；那部分很简单。

对于出现在一个列中但不在另一列中的元素的计数，我们可以使用collect_set，它将{唯一的元素}与array_except一起聚集到单个数组中：

from pyspark.sql import functions as F
from pyspark.sql.types import IntegerType

result = (df
     .groupBy(F.year('date').alias('year'), F.month('date').alias('month'))
     .agg(F.sum(F.isnull('x').cast(IntegerType())).alias('x_null'),
          F.sum(F.isnull('y').cast(IntegerType())).alias('y_null'),
          F.sum((~F.isnull('x')).cast(IntegerType())).alias('x_not_null'),
          F.sum((~F.isnull('y')).cast(IntegerType())).alias('y_not_null'),
          F.collect_set('x').alias('x_unique'),
          F.collect_set('y').alias('y_unique'))
     .withColumn('x_not_in_y_count', F.size(F.array_except('x_unique', 'y_unique')))
     .withColumn('y_not_in_x_count', F.size(F.array_except('y_unique', 'x_unique')))
     .drop('x_unique', 'y_unique')
     .orderBy('year', 'month')
)

给出以下测试数据：

+----------+----+----+
|      date|   x|   y|
+----------+----+----+
|1991-01-01|null|   2|
|1991-01-02|   1|null|
|1991-01-03|   2|   3|
|1991-02-01|null|   1|
|1991-02-02|null|   2|
+----------+----+----+

这是输出：

+----+-----+------+------+----------+----------+----------------+----------------+
|year|month|x_null|y_null|x_not_null|y_not_null|x_not_in_y_count|y_not_in_x_count|
+----+-----+------+------+----------+----------+----------------+----------------+
|1991|    1|     1|     1|         2|         2|               1|               1|
|1991|    2|     2|     0|         0|         2|               0|               2|
+----+-----+------+------+----------+----------+----------------+----------------+

计算Pyspark中数据框中的空值和非空值

1 个答案: