python、pyspark：获取 pyspark 数据框列值的总和

Question

假设我有这样的数据框

name age city
abc   20  A
def   30  B

我想在数据框的末尾添加一个摘要行，所以结果会像

name age city
abc   20  A
def   30  B
All   50  All

So String 'All', 我可以很容易地把，但是如何得到 sum(df['age']) ###column object is not iterable

data = spark.createDataFrame([("abc", 20, "A"), ("def", 30, "B")],["name", "age", "city"])
data.printSchema()
#root
 #|-- name: string (nullable = true)
 #|-- age: long (nullable = true)
 #|-- city: string (nullable = true)
res = data.union(spark.createDataFrame([('All',sum(data['age']),'All')], data.columns))  ## TypeError: Column is not iterable
#Even tried with data['age'].sum() and got error.   If i am using [('All',50,'All')], it is doing fine.

我通常处理 Pandas 数据框并且是 Spark 的新手。可能是我对 spark dataframe 的理解还不够成熟。

请建议如何在 pyspark 中获取数据框列的总和。如果有更好的方法 add/append 一行到数据帧的末尾。谢谢

Answer 1

dataframe 是不可变的，您需要创建一个新的。要得到你的年龄总和，你可以使用这个函数：data.rdd.map(lambda x: float(x["age"])).reduce(lambda x, y: x+y)

你添加一行的方式很好，但是你为什么要这样做呢？您的数据框将难以操作，除非您删除最后一行，否则您将无法使用聚合函数。

Answer 2

Spark SQL 有一个专用于列函数的模块 pyspark.sql.functions。
所以它的工作方式是：

from pyspark.sql import functions as F
data = spark.createDataFrame([("abc", 20, "A"), ("def", 30, "B")],["name", "age", "city"])

res = data.unionAll(
    data.select([
        F.lit('All').alias('name'), # create a cloumn named 'name' and filled with 'All'
        F.sum(data.age).alias('age'), # get the sum of 'age'
        F.lit('All').alias('city') # create a column named 'city' and filled with 'All'
    ]))
res.show()

打印：

+----+---+----+
|name|age|city|
+----+---+----+
| abc| 20|   A|
| def| 30|   B|
| All| 50| All|
+----+---+----+

python、pyspark：获取 pyspark 数据框列值的总和

python, pyspark : get sum of a pyspark dataframe column values

python

pyspark

pyspark-sql