Spark 1.6：过滤 describe() 生成的数据帧

Question

当我在 DataFrame 上调用 describe 函数时出现问题：

val statsDF = myDataFrame.describe()

调用 describe 函数产生以下输出：

statsDF: org.apache.spark.sql.DataFrame = [summary: string, count: string]

我调用statsDF.show()可以正常显示statsDF

+-------+------------------+
|summary|             count|
+-------+------------------+
|  count|             53173|
|   mean|104.76128862392568|
| stddev|3577.8184333911513|
|    min|                 1|
|    max|            558407|
+-------+------------------+

我现在想从 statsDF 中获取标准差和平均值，但是当我尝试通过执行以下操作来收集值时：

val temp = statsDF.where($"summary" === "stddev").collect()

我收到 Task not serializable 异常。

我在调用时也遇到了同样的异常：

statsDF.where($"summary" === "stddev").show()

看起来我们无法过滤由 describe() 函数生成的数据帧？

Answer 1

我考虑过一个包含一些健康疾病数据的玩具数据集

val stddev_tobacco = rawData.describe().rdd.map{ 
    case r : Row => (r.getAs[String]("summary"),r.get(1))
}.filter(_._1 == "stddev").map(_._2).collect

Answer 2

您可以 select 来自数据框：

from pyspark.sql.functions import mean, min, max
df.select([mean('uniform'), min('uniform'), max('uniform')]).show()
+------------------+-------------------+------------------+
|      AVG(uniform)|       MIN(uniform)|      MAX(uniform)|
+------------------+-------------------+------------------+
|0.5215336029384192|0.19657711634539565|0.9970412477032209|
+------------------+-------------------+------------------+

您也可以将其注册为table并查询table：

val t = x.describe()
t.registerTempTable("dt")

%sql 
select * from dt

Answer 3

另一种选择是使用 selectExpr()，它也可以优化运行，例如获得最小值：

myDataFrame.selectExpr('MIN(count)').head()[0]

Answer 4

myDataFrame.describe().filter($"summary"==="stddev").show()

这在 Spark 2.3.0 上运行得很好

Spark 1.6：过滤 describe() 生成的数据帧

Spark 1.6: filtering DataFrames generated by describe()

apache-spark

apache-spark-sql

apache-zeppelin