计算并比较两列的平均值

Question

我开始将我的 Pandas 实现转换为 pySpark，但我在执行一些基本操作时遇到了问题。所以我有这个 table:

+-----+-----+----+
| Col1|Col2 |Col3|
+-----+-----+----+
|  1  |[1,3]|   0|
|  44 |[2,0]|   1|
|  77 |[1,5]|   7|
+-----+-----+----+

我想要的输出是：

+-----+-----+----+----+
| Col1|Col2 |Col3|Col4|
+-----+-----+----+----+
|  1  |[1,3]|   0|2.67|
|  44 |[2,0]|   1|2.67|
|  77 |[1,5]|   7|2.67|
+-----+-----+----+----+

到达这里：

我对 Col2 中每个数组的第一项进行平均，并对 Col2 中每个数组的第二项进行平均。由于第二个“子列”的平均值 ((3+0+5)/3) 大于第一个“子列”的 ((1+2+1)/3) 这是“获胜”条件.之后，我创建了一个新列，其中复制了 table 行数的“获胜”平均值（在本例中为 3）。我已经能够通过“手动”选择 ta 列来做到这一点，对其进行平均，然后使用“点亮”来复制结果。我的实现的问题是 collect() 需要很多时间并且不推荐 afaik。你能帮我解决这个问题吗？

Answer 1

您可以使用 greatest 获取数组中每个（子）列的最大平均值：

from pyspark.sql import functions as F, Window

df2 = df.withColumn(
    'Col4',
    F.greatest(*[F.avg(F.udf(lambda r: [float(i) for i in r.toArray()], 'array<double>')('Col2')[i]).over(Window.orderBy()) for i in range(2)])
)

df2.show()
+----+------+----+------------------+
|Col1|  Col2|Col3|              Col4|
+----+------+----+------------------+
|   1|[1, 3]|   0|2.6666666666666665|
|  44|[2, 0]|   1|2.6666666666666665|
|  77|[1, 5]|   7|2.6666666666666665|
+----+------+----+------------------+

如果你希望数组大小是动态的，你可以这样做

arr_size = df.select(F.max(F.size(F.udf(lambda r: [float(i) for i in r.toArray()], 'array<double>')('Col2')))).head()[0]

df2 = df.withColumn(
    'Col4',
    F.greatest(*[F.avg(F.udf(lambda r: [float(i) for i in r.toArray()], 'array<double>')('Col2')[i]).over(Window.orderBy()) for i in range(arr_size)])
)

计算并比较两列的平均值

Compute and compare the average of two columns

python

apache-spark

pyspark

apache-spark-sql

apache-spark-ml