遍历 pyspark 数据框列

Question

我有以下 pyspark.dataframe:

age  state  name    income
21    DC    john    30-50K
NaN   VA    gerry   20-30K

我正在尝试实现 df.isnull().sum()（来自 pandas）的等效结果：

age      1
state    0
name     0
income   0

起初我尝试了一些类似的方法：

null_counter = [df[c].isNotNull().count() for c in df.columns]

但这会产生以下错误：

TypeError: Column is not iterable

同样，这就是我当前迭代列以获得最小值的方式：

class BaseAnalyzer:
    def __init__(self, report, struct):
        self.report = report
        self._struct = struct
        self.name = struct.name
        self.data_type = struct.dataType
        self.min = None
        self.max = None

    def __repr__(self):
        return '<Column: %s>' % self.name


class BaseReport:
    def __init__(self, df):
        self.df = df
        self.columns_list = df.columns
        self.columns = {f.name: BaseAnalyzer(self, f) for f in df.schema.fields}

    def calculate_stats(self):
        find_min = self.df.select([fn.min(self.df[c]).alias(c) for c in self.df.columns]).collect()
        min_row = find_min[0]
        for column, min_value in min_row.asDict().items():
            self[column].min = min_value

    def __getitem__(self, name):
        return self.columns[name]

    def __repr__(self):
        return '<Report>'

report = BaseReport(df)
calc = report.calculate_stats()

for column in report1.columns.values():
if hasattr(column, 'min'):
    print("{}:{}".format(column, column.min))

这让我可以 'iterate over the columns'

<Column: age>:1
<Column: name>: Alan
<Column: state>:ALASKA
<Column: income>:0-1k

我认为这种方法已经变得很复杂，我怎样才能正确地遍历所有列以提供 vaiour 汇总统计信息（最小值、最大值、isnull、notnull 等）。pyspark.sql.Row 和pyspark.sql.Column 来自 pandas 似乎很奇怪。

Answer 1

你有没有尝试过这样的事情：

names = df.schema.names
for name in names:
    print(name + ': ' + df.where(df[name].isNull()).count())

您可以看到如何对其进行修改以将信息放入字典或其他更有用的格式中。

Answer 2

你可以试试这个:

nullDf= df.select([count(when(col(c).isNull(), c)).alias(c) for c in df.columns]) 
nullDf.show()

它将为您提供一个列列表，其中包含 null 及其 null 值的数量。

遍历 pyspark 数据框列

iterate over pyspark dataframe columns

python

iterator

pyspark

pyspark-sql