通过获取现有列的比例在Pyspark DataFrame中创建新列

时间:2019-12-18 18:15:42

标签: dataframe pyspark pyspark-dataframes fillna

我在PySpark DataFrame中有两列,我想在填充空值(而不是就位)后采用这两列的比率。目前,我的DataFrame如下所示:

+----+----+---+----+----+----+----+
|Acct| M1D|M1C| M2D| M2C| M3D| M3C|
+----+----+---+----+----+----+----+
|   B|  10|200|null|null|  20|null|
|   C|1000|100|  10|null|null|null|
|   A| 100|200| 200| 200| 300|  10|
+----+----+---+----+----+----+----+

我想要的输出如下:

+------+------+-----+------+------+------+------+-------+
| Acct |  M1D | M1C |  M2D |  M2C |  M3D |  M3C | Ratio |
+------+------+-----+------+------+------+------+-------+
|    B |   10 | 200 | null | null | 20   | null |     0 |
|    C | 1000 | 100 | 10   | null | null | null |    10 |
|    A |  100 | 200 | 200  | 200  | 300  | 10   |    20 |
+------+------+-----+------+------+------+------+-------+

我想使用M2DM3C的比率来创建新列Ratio。在获取比率之前,我想用M2D填充0并用M3C填充1,这是为了避免空值和避免就地替换值而进行的。< / p>

我尝试通过使用以下代码来做到这一点。

df = df.withColumn('Ratio', col('M2D').fillna(0, subset=['M2D']) / col('M3C').fillna(1, subset=['M3C']))

上面的代码给了我以下错误

TypeError: 'Column' object is not callable

如上错误所述,为了避免TypeError,我尝试了以下代码行。我现在使用的是DataFrame,而不是列。

df = df.withColumn('Ratio', df.select('M2D').fillna(0, subset=['M2D']) / df.select('M3C').fillna(1, subset=['M3C']))

上面的代码导致以下错误。

TypeError: unsupported operand type(s) for /: 'DataFrame' and 'DataFrame'

如何获得所需的输出?

1 个答案:

答案 0 :(得分:3)

在计算比率之前,应先填充空值,如下所示:

df = df.fillna(0, subset=['M2D'])\
       .fillna(1, subset=['M3C'])\
       .withColumn('Ratio', col('M2D') / col('M3C'))

或更简单的是,如果您只想避免计算中出现空值,请按以下方式使用coalesce

df = df.withColumn('Ratio', coalesce(col('M2D'), lit(0)) / coalesce(col('M3C'), lit(1)))