重命名 PySpark DataFrame 聚合的列

Question

我正在使用 PySpark DataFrames 分析一些数据。假设我有一个正在聚合的 DataFrame df：

(df.groupBy("group")
   .agg({"money":"sum"})
   .show(100)
)

这会给我：

group                SUM(money#2L)
A                    137461285853
B                    172185566943
C                    271179590646

聚合工作正常，但我不喜欢新的列名称 SUM(money#2L)。有没有办法通过 .agg 方法将此列重命名为人类可读的名称？也许更类似于 dplyr:

df %>% group_by(group) %>% summarise(sum_money = sum(money))

Answer 1

withColumnRenamed 应该可以解决问题。这是 link 到 pyspark.sql API.

df.groupBy("group")\
  .agg({"money":"sum"})\
  .withColumnRenamed("SUM(money)", "money")
  .show(100)

Answer 2

尽管我仍然更喜欢 dplyr 语法，但此代码片段可以：

import pyspark.sql.functions as sf

(df.groupBy("group")
   .agg(sf.sum('money').alias('money'))
   .show(100))

它变得冗长。

Answer 3

我为此做了一个小辅助函数，也许能帮到一些人。

import re

from functools import partial

def rename_cols(agg_df, ignore_first_n=1):
    """changes the default spark aggregate names `avg(colname)` 
    to something a bit more useful. Pass an aggregated dataframe
    and the number of aggregation columns to ignore.
    """
    delimiters = "(", ")"
    split_pattern = '|'.join(map(re.escape, delimiters))
    splitter = partial(re.split, split_pattern)
    split_agg = lambda x: '_'.join(splitter(x))[0:-ignore_first_n]
    renamed = map(split_agg, agg_df.columns[ignore_first_n:])
    renamed = zip(agg_df.columns[ignore_first_n:], renamed)
    for old, new in renamed:
        agg_df = agg_df.withColumnRenamed(old, new)
    return agg_df

一个例子：

gb = (df.selectExpr("id", "rank", "rate", "price", "clicks")
 .groupby("id")
 .agg({"rank": "mean",
       "*": "count",
       "rate": "mean", 
       "price": "mean", 
       "clicks": "mean", 
       })
)

>>> gb.columns
['id',
 'avg(rate)',
 'count(1)',
 'avg(price)',
 'avg(rank)',
 'avg(clicks)']

>>> rename_cols(gb).columns
['id',
 'avg_rate',
 'count_1',
 'avg_price',
 'avg_rank',
 'avg_clicks']

至少做了一些工作来避免人们打这么多字。

Answer 4

df = df.groupby('Device_ID').agg(aggregate_methods)
for column in df.columns:
    start_index = column.find('(')
    end_index = column.find(')')
    if (start_index and end_index):
        df = df.withColumnRenamed(column, column[start_index+1:end_index])

以上代码可以去除“()”之外的任何内容。例如，"sum(foo)" 将重命名为 "foo"。

Answer 5

很简单：

 val maxVideoLenPerItemDf = requiredItemsFiltered.groupBy("itemId").agg(max("playBackDuration").as("customVideoLength"))
maxVideoLenPerItemDf.show()

在 agg 中使用 .as 命名创建的新行。

Answer 6

import findspark
findspark.init()

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *

spark = SparkSession.builder.appName('test').getOrCreate()
data = [(1, "siva", 100), (2, "siva2", 200),(3, "siva3", 300),(4, "siva4", 400),(5, "siva5", 500)]
schema = ['id', 'name', 'sallary']

df = spark.createDataFrame(data, schema=schema)
df.show()
+---+-----+-------+
| id| name|sallary|
+---+-----+-------+
|  1| siva|    100|
|  2|siva2|    200|
|  3|siva3|    300|
|  4|siva4|    400|
|  5|siva5|    500|
+---+-----+-------+


**df.agg({"sallary": "max"}).withColumnRenamed('max(sallary)', 'max').show()**
+---+
|max|
+---+
|500|
+---+

Answer 7

虽然之前给出的答案很好，但我认为他们缺乏一种巧妙的方法来处理 .agg()

中的 dictionary-usage

如果你想使用一个字典，它实际上也可能是动态生成的，因为你有数百列，你可以使用以下内容而不用处理几十个 code-lines:

# Your dictionary-version of using the .agg()-function
# Note: The provided logic could actually also be applied to a non-dictionary approach
df = df.groupBy("group")\
   .agg({
          "money":"sum"
        , "...":  "..."
    })

# Now do the renaming
newColumnNames = ["group", "money", "..."] # Provide the names for ALL columns of the new df
df = df.toDF(*newColumnNames)              # Do the renaming

当然也可以动态生成newColumnNames列表。例如，如果您仅将聚合中的列附加到 df，则可以 pre-store newColumnNames = df.columns 然后仅附加其他名称。
无论如何，请注意 newColumnNames 必须包含数据框的所有列名，而不仅仅是要重命名的列名（因为 .toDF() 由于 Sparks 不可变 RDD 创建了一个新数据框）！

Answer 8

另一个快速的小班轮添加混合：

df.groupBy('group')
  .agg({'money':'sum',
        'moreMoney':'sum',
        'evenMoreMoney':'sum'
        })
    .select(*(col(i).alias(i.replace("(",'_').replace(')','')) for i in df.columns))

只需将别名函数更改为您想要的名称即可。上面生成 sum_money、sum_moreMoney，因为我喜欢在变量名中看到运算符。

Answer 9

如果您愿意 hard-code 您的列名，

.alias 和 .withColumnRenamed 都可以。如果您需要一个程序化的解决方案，例如所有剩余列的聚合的更友好的名称，这提供了一个很好的起点：

grouping_column = 'group'
cols = [F.sum(F.col(x)).alias(x) for x in df.columns if x != grouping_column]
(
    df
    .groupBy(grouping_column)
    .agg(
        *cols
    )
)

重命名 PySpark DataFrame 聚合的列

Renaming columns for PySpark DataFrame aggregates

dataframe

apache-spark

apache-spark-sql

pyspark