我有一个DataFrame,这里是一个代码段:
[['u1', 1], ['u2', 0]]
基本上是一个名为的字符串字段f
,第二个元素(is_fav
)的值是1或0 。
我需要做的是在第一个字段上分组并计算1和0的出现次数。我希望做这样的事情
num_fav = count((col("is_fav") == 1)).alias("num_fav")
num_nonfav = count((col("is_fav") == 0)).alias("num_nonfav")
df.groupBy("f").agg(num_fav, num_nonfav)
它无法正常工作,在两种情况下我都得到相同的结果,该结果等于组中项目的计数,因此似乎忽略了过滤器(无论是1还是0)。这取决于count
工作原理吗?
这里没有过滤器。双方col("is_fav") == 1
并col("is_fav") == 0)
都只是布尔表达式,并count
不会真正关心他们的价值,只要它被定义。
您可以通过多种方法来解决此问题,例如,使用simple sum
:
from pyspark.sql.functions import sum, abs
gpd = df.groupBy("f")
gpd.agg(
sum("is_fav").alias("fv"),
(count("is_fav") - sum("is_fav")).alias("nfv")
)
或将忽略的值设为未定义(也称为NULL
):
exprs = [
count(when(col("is_fav") == x, True)).alias(c)
for (x, c) in [(1, "fv"), (0, "nfv")]
]
gpd.agg(*exprs)
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句