通过采用现有列的比率在 Pyspark DataFrame 中创建新列

Question

我在 PySpark DataFrame 中有两列，我想在填充空值（不是就地）后计算这两列的比率。目前我的 DataFrame 如下所示：

+----+----+---+----+----+----+----+
|Acct| M1D|M1C| M2D| M2C| M3D| M3C|
+----+----+---+----+----+----+----+
|   B|  10|200|null|null|  20|null|
|   C|1000|100|  10|null|null|null|
|   A| 100|200| 200| 200| 300|  10|
+----+----+---+----+----+----+----+

我想要的输出如下所示：

+------+------+-----+------+------+------+------+-------+
| Acct |  M1D | M1C |  M2D |  M2C |  M3D |  M3C | Ratio |
+------+------+-----+------+------+------+------+-------+
|    B |   10 | 200 | null | null | 20   | null |     0 |
|    C | 1000 | 100 | 10   | null | null | null |    10 |
|    A |  100 | 200 | 200  | 200  | 300  | 10   |    20 |
+------+------+-----+------+------+------+------+-------+

我想利用 M2D 与 M3C 的比率来创建新列 Ratio。在获取比率之前，我想用 0 填充 M2D，用 1 填充 M3C，这将在运行中执行，以避免空值并避免替换值。

我尝试使用以下代码来完成此操作。

df = df.withColumn('Ratio', col('M2D').fillna(0, subset=['M2D']) / col('M3C').fillna(1, subset=['M3C']))

上面的代码给了我下面的错误

TypeError: 'Column' object is not callable

如上错误所述，为了避免TypeError，我尝试了以下代码行。现在我使用的是 DataFrame 而不是列。

df = df.withColumn('Ratio', df.select('M2D').fillna(0, subset=['M2D']) / df.select('M3C').fillna(1, subset=['M3C']))

以上代码导致以下错误。

TypeError: unsupported operand type(s) for /: 'DataFrame' and 'DataFrame'

我怎样才能达到我想要的输出？

Answer 1

您应该在计算比率之前填充空值，如下所示：

df = df.fillna(0, subset=['M2D'])\
       .fillna(1, subset=['M3C'])\
       .withColumn('Ratio', col('M2D') / col('M3C'))

或者更简单，如果您只想避免计算中出现空值，请按如下方式使用 coalesce：

df = df.withColumn('Ratio', coalesce(col('M2D'), lit(0)) / coalesce(col('M3C'), lit(1)))

通过采用现有列的比率在 Pyspark DataFrame 中创建新列

Create new column in Pyspark DataFrame by taking ratio of existing columns

apache-spark

pyspark

apache-spark-sql

pyspark-dataframes

fillna