计算每个不同值在 Spark SQL Join 的列中出现的次数

Question

我使用 PySpark SQL 将两个表连接在一起，一个包含经度和纬度的犯罪位置数据，另一个包含具有相应经度和纬度的邮政编码。

我想弄清楚的是如何统计每个邮政编码内发生了多少起犯罪事件。我是 PySpark 的新手，我的 SQL 生锈了，所以我不确定我哪里出错了。

我曾尝试使用 COUNT(DISTINCT)，但这只是给我不同邮政编码的总数。

mySchema = StructType([StructField("Longitude", StringType(),True), StructField("Latitude", StringType(),True)])

bgl_df = spark.createDataFrame(burglary_rdd, mySchema)

bgl_df.registerTempTable("bgl")

rdd2 = spark.sparkContext.textFile("posttrans.csv")

mySchema2 = StructType([StructField("Postcode", StringType(),True), StructField("Lon", StringType(),True), StructField("Lat", StringType(),True)])

pcode_df = spark.createDataFrame(pcode_rdd, mySchema2)

pcode_df.registerTempTable("pcode")

count = spark.sql("SELECT COUNT(DISTINCT pcode.Postcode) 
                   FROM pcode RIGHT JOIN bgl 
                   ON (bgl.Longitude = pcode.Lon 
                   AND bgl.Latitude = pcode.Lat)")

+------------------------+
|count(DISTINCT Postcode)|
+------------------------+
|                  523371|
+------------------------+

相反，我想要这样的东西：

+--------+---+
|Postcode|Num|
+--------+---+
|LN11 9DA| 2 |
|BN10 8JX| 5 |
| EN9 3YF| 9 |
|EN10 6SS| 1 |
+--------+---+

Answer 1

您可以执行 groupby 计数以获得列值的不同计数：

group_df = df.groupby("Postcode").count()

你会得到你想要的输出。

对于 SQL 查询：

query =  """
         SELECT pcode.Postcode, COUNT(pcode.Postcode) AS Num
         FROM pcode 
         RIGHT JOIN bgl 
         ON (bgl.Longitude = pcode.Lon AND bgl.Latitude = pcode.Lat)
         GROUP BY pcode.Postcode
         """

count = spark.sql(query)

此外，我从您的 FROM 和 JOIN 子句中复制过来，使查询与 copy-pasta 更相关。

计算每个不同值在 Spark SQL Join 的列中出现的次数

Counting how many times each distinct value occurs in a column in PySparkSQL Join

pyspark

pyspark-sql