pyspark dataframe 获得每一行的第二低值

Question

我想问一下，如果有人有想法，如何在pyspark中获取Dataframe一行中第二低的值。

例如：

输入数据帧:

Col1  Col2  Col3  Col4 
83    32    14    62   
63    32    74    55   
13    88     6    46

预期输出:

Col1  Col2  Col3  Col4 Res
83    32    14    62   32   
63    32    74    55   55   
13    88     6    46   13

Answer 1

我们可以使用 concat_ws 函数连接该行的所有列，然后使用 split 来创建一个数组。

使用array_sort函数对数组进行排序，提取数组的second element[1]

Example:

from pyspark.sql.functions import *

df=spark.createDataFrame([('83','32','14','62'),('63','32','74','55'),('13','88','6','46')],['Col1','Col2','Col3','Col4'])

df.selectExpr("array_sort(split(concat_ws(',',Col1,Col2,Col3,Col4),','))[1] Res").show()

#+---+
#|Res|
#+---+
#|32 |
#|55 |
#|13 |
#+---+

More Dynamic Way:

df.selectExpr("array_sort(split(concat_ws(',',*),','))[1]").show()

#+---+
#|Res|
#+---+
#|32 |
#|55 |
#|13 |
#+---+

EDIT:

#adding Res column to the dataframe
df1=df.selectExpr("*","array_sort(split(concat_ws(',',*),','))[1] Res")
df1.show()

#+----+----+----+----+---+
#|Col1|Col2|Col3|Col4|Res|
#+----+----+----+----+---+
#|  83|  32|  14|  62| 32|
#|  63|  32|  74|  55| 55|
#|  13|  88|   6|  46| 46|
#+----+----+----+----+---+

Answer 2

您可以使用 array function and then sort it using array_sort. Finally, get the second element using element_at 创建数组列。这 2 个最后的功能可从 Spark 2.4+ 获得。

df.withColumn("res", element_at(array_sort(array(*[col(c) for c in df.columns])), 2))\
  .show()

#+----+----+----+----+---+
#|Col1|Col2|Col3|Col4|res|
#+----+----+----+----+---+
#|83  |32  |14  |62  |32 |
#|63  |32  |74  |55  |55 |
#|13  |88  |6   |46  |13 |
#+----+----+----+----+---+

另一种方法是使用least函数。首先，计算所有列的最小值，然后使用 when 表达式从大于 min 的值计算另一次最小值：

df.withColumn("min", least(*[col(c) for c in df.columns]))\
  .withColumn("res", least(*[when(col(c) > col("min"), col(c)) for c in df.columns]))\
  .drop("min")\
  .show()

pyspark dataframe 获得每一行的第二低值

pyspark dataframe get second lowest value for each row

python

apache-spark

apache-spark-sql

pyspark

pyspark-dataframes