在 PySpark 数据框中添加列总和作为新列

Add column sum as new column in PySpark dataframe

我正在使用 PySpark 并且我有一个带有一堆数字列的 Spark 数据框。我想添加一列,它是所有其他列的总和。

假设我的数据框有 "a"、"b" 和 "c" 列。我知道我可以做到:

df.withColumn('total_col', df.a + df.b + df.c)

问题是我不想单独输入每一列并添加它们,尤其是当我有很多列时。我希望能够自动或通过指定要添加的列名列表来执行此操作。还有其他方法吗?

这并不明显。我看不到 spark Dataframes API.

中定义的基于行的列总和

版本 2

这可以通过一种相当简单的方式完成:

newdf = df.withColumn('total', sum(df[col] for col in df.columns))

df.columns 由 pyspark 提供,作为字符串列表提供 Spark Dataframe 中的所有列名称。对于不同的总和,您可以提供任何其他列名列表。

我没有尝试将此作为我的第一个解决方案,因为我不确定它的行为方式。但它有效。

版本 1

这太复杂了,但效果也不错。

你可以这样做:

  1. 使用df.columns获取列名列表
  2. 使用该名称列表来制作列列表
  3. 将该列表传递给将在 fold-type functional manner
  4. 中调用该列的重载添加函数的对象

用 python 的 reduce, some knowledge of how operator overloading works, and the pyspark code for columns here 变成:

def column_add(a,b):
     return  a.__add__(b)

newdf = df.withColumn('total_col', 
         reduce(column_add, ( df[col] for col in df.columns ) ))

请注意,这是一个 python reduce,而不是 spark RDD reduce,并且要 reduce 的第二个参数中的括号项需要括号,因为它是一个列表生成器表达式。

已测试,有效!

$ pyspark
>>> df = sc.parallelize([{'a': 1, 'b':2, 'c':3}, {'a':8, 'b':5, 'c':6}, {'a':3, 'b':1, 'c':0}]).toDF().cache()
>>> df
DataFrame[a: bigint, b: bigint, c: bigint]
>>> df.columns
['a', 'b', 'c']
>>> def column_add(a,b):
...     return a.__add__(b)
...
>>> df.withColumn('total', reduce(column_add, ( df[col] for col in df.columns ) )).collect()
[Row(a=1, b=2, c=3, total=6), Row(a=8, b=5, c=6, total=19), Row(a=3, b=1, c=0, total=4)]

我的问题与上述类似(有点复杂),因为我必须添加 连续 列总和作为 PySpark 数据框中的新列。此方法使用上面 Paul 的版本 1 中的代码:

import pyspark
from pyspark.sql import SparkSession
import pandas as pd

spark = SparkSession.builder.appName('addColAsCumulativeSUM').getOrCreate()
df=spark.createDataFrame(data=[(1,2,3),(4,5,6),(3,2,1)\
                              ,(6,1,-4),(0,2,-2),(6,4,1)\
                              ,(4,5,2),(5,-3,-5),(6,4,-1)]\
                              ,schema=['x1','x2','x3'])
df.show()

+---+---+---+
| x1| x2| x3|
+---+---+---+
|  1|  2|  3|
|  4|  5|  6|
|  3|  2|  1|
|  6|  1| -4|
|  0|  2| -2|
|  6|  4|  1|
|  4|  5|  2|
|  5| -3| -5|
|  6|  4| -1|
+---+---+---+

colnames=df.columns

添加累加和(连续)的新列:

for i in range(0,len(colnames)):
    colnameLst= colnames[0:i+1]
    colname = 'cm'+ str(i+1)
    df = df.withColumn(colname, sum(df[col] for col in colnameLst))

df.show()

+---+---+---+---+---+---+
| x1| x2| x3|cm1|cm2|cm3|
+---+---+---+---+---+---+
|  1|  2|  3|  1|  3|  6|
|  4|  5|  6|  4|  9| 15|
|  3|  2|  1|  3|  5|  6|
|  6|  1| -4|  6|  7|  3|
|  0|  2| -2|  0|  2|  0|
|  6|  4|  1|  6| 10| 11|
|  4|  5|  2|  4|  9| 11|
|  5| -3| -5|  5|  2| -3|
|  6|  4| -1|  6| 10|  9|
+---+---+---+---+---+---+

'cumulative sum'添加的栏目如下:

cm1 = x1
cm2 = x1 + x2
cm3 = x1 + x2 + x3

解决方案

newdf = df.withColumn('total', sum(df[col] for col in df.columns))

@Paul 发表作品。尽管如此,我还是遇到了错误,正如我所看到的那样,

TypeError: 'Column' object is not callable

一段时间后我发现了问题(至少在我的情况下)。问题是我之前使用

行导入了一些 pyspark 函数
from pyspark.sql.functions import udf, col, count, sum, when, avg, mean, min

所以该行导入了 sum pyspark 命令,而 df.withColumn('total', sum(df[col] for col in df.columns)) 应该使用正常的 python sum 函数。

您可以使用 del sum 删除 pyspark 函数的引用。

否则在我的情况下,我将导入更改为

import pyspark.sql.functions as F

然后将函数引用为 F.sum

最直接的方法是使用 expr 函数

from pyspark.sql.functions import *
data = data.withColumn('total', expr("col1 + col2 + col3 + col4"))
df = spark.createDataFrame([("linha1", "valor1", 2), ("linha2", "valor2", 5)], ("Columna1", "Columna2", "Columna3"))

df.show()

+--------+--------+--------+
|Columna1|Columna2|Columna3|
+--------+--------+--------+
|  linha1|  valor1|       2|
|  linha2|  valor2|       5|
+--------+--------+--------+

df = df.withColumn('DivisaoPorDois', df[2]/2)
df.show()

+--------+--------+--------+--------------+
|Columna1|Columna2|Columna3|DivisaoPorDois|
+--------+--------+--------+--------------+
|  linha1|  valor1|       2|           1.0|
|  linha2|  valor2|       5|           2.5|
+--------+--------+--------+--------------+

df = df.withColumn('Soma_Colunas', df[2]+df[3])
df.show()

+--------+--------+--------+--------------+------------+
|Columna1|Columna2|Columna3|DivisaoPorDois|Soma_Colunas|
+--------+--------+--------+--------------+------------+
|  linha1|  valor1|       2|           1.0|         3.0|
|  linha2|  valor2|       5|           2.5|         7.5|
+--------+--------+--------+--------------+------------+

一个非常简单的方法是只使用 select 而不是 withcolumn 如下:

df = df.select('*', (col("a")+col("b")+col('c).alias("total"))

这应该会为您提供所需的金额,并根据要求进行细微更改

将列表中的多列合计为一列

PySpark 的 sum 函数不支持列添加。 这可以使用 expr 函数来实现。

from pyspark.sql.functions import expr

cols_list = ['a', 'b', 'c']

# Creating an addition expression using `join`
expression = '+'.join(cols_list)

df = df.withColumn('sum_cols', expr(expression))

这为我们提供了所需的列总和。

以下方法对我有用:

  1. 导入 pyspark sql 函数
    from pyspark.sql 将函数导入为 F
  2. 使用F.expr(list_of_columns)
    data_frame.withColumn('Total_Sum',F.expr('col_name1+col_name2+..col_namen)