使用 groupBy 在 Spark 列中获取模式（最常见）值

Question

我有一个 SparkR DataFrame，我想为每个唯一 name 获取模式（最常见）value。我怎样才能做到这一点？似乎没有内置的 mode 功能。 SparkR 或 PySpark 解决方案都可以。

#Create DF
df <- data.frame(name = c("Thomas", "Thomas", "Thomas", "Bill", "Bill", "Bill"),
  value = c(5, 5, 4, 3, 3, 7))
DF <- createDataFrame(df)

name   | value
-----------------
Thomas |  5
Thomas |  5
Thomas |  4
Bill   |  3
Bill   |  3
Bill   |  9

#What I want to get
name   | mode(value)
-----------------
Thomas |   5
Bill   |   3

Answer 1

您可以使用 .groupBy() 和 window 方法的组合来实现，如下所示：

grouped = df.groupBy('name', 'value').count()
window = Window.partitionBy("name").orderBy(desc("count"))
grouped\
    .withColumn('order', row_number().over(window))\
    .where(col('order') == 1)\
    .show()

输出：

+------+-----+-----+-----+
|  name|value|count|order|
+------+-----+-----+-----+
|  Bill|    3|    2|    1|
|Thomas|    5|    2|    1|
+------+-----+-----+-----+

Answer 2

这是解决方案的 SparkR 版本：

grouped <- agg(groupBy(df, 'name', 'value'), count=count(df$value))
window <- orderBy(windowPartitionBy("name"), desc(grouped$count))
dfmode <- withColumn(grouped, 'order', over(row_number(), window))
dfmode <- filter(dfmode, dfmode$order==1)

使用 groupBy 在 Spark 列中获取模式（最常见）值

Get mode (most often) value in Spark column with groupBy

pyspark

spark-dataframe

sparkr