Spark DataFrame：计算逐行平均值（或任何聚合操作）

Question

我在内存中加载了一个 Spark DataFrame，我想对列取平均值（或任何聚合操作）。我该怎么做？（在 numpy 中，这被称为对 axis=1 进行操作）。

如果计算 DataFrame 的平均值（axis=0），那么这已经内置：

from pyspark.sql import functions as F
F.mean(...)

但是有没有办法以编程方式对列中的条目执行此操作？例如，来自下面的 DataFrame

+--+--+---+---+
|id|US| UK|Can|
+--+--+---+---+
| 1|50|  0|  0|
| 1| 0|100|  0|
| 1| 0|  0|125|
| 2|75|  0|  0|
+--+--+---+---+

省略id，意思是

+------+
|  mean|
+------+
| 16.66|
| 33.33|
| 41.67|
| 25.00|
+------+

Answer 1

在 Scala 中，类似这样的东西就可以做到

val cols = Seq("US","UK","Can")
f.map(r => (r.getAs[Int]("id"),r.getValuesMap(cols).values.fold(0.0)(_+_)/cols.length)).toDF

Answer 2

这里你只需要一个标准的 SQL 像这样：

SELECT (US + UK + CAN) / 3 AS mean FROM df

可以直接用SqlContext.sql或者用DSL表达

df.select(((col("UK") + col("US") + col("CAN")) / lit(3)).alias("mean"))

如果您有更多的列，您可以生成如下表达式：

from functools import reduce
from operator import add
from pyspark.sql.functions import col, lit

n = lit(len(df.columns) - 1.0)
rowMean  = (reduce(add, (col(x) for x in df.columns[1:])) / n).alias("mean")

df.select(rowMean)

或

rowMean  = (sum(col(x) for x in df.columns[1:]) / n).alias("mean")
df.select(rowMean)

最终它在 Scala 中的等价物：

df.select(df.columns
  .drop(1)
  .map(col)
  .reduce(_ + _)
  .divide(df.columns.size - 1)
  .alias("mean"))

在更复杂的情况下，您可以使用 array 函数组合列并使用 UDF 计算统计信息：

import numpy as np
from pyspark.sql.functions import array, udf
from pyspark.sql.types import FloatType

combined = array(*(col(x) for x in df.columns[1:]))
median_udf = udf(lambda xs: float(np.median(xs)), FloatType())

df.select(median_udf(combined).alias("median"))

同样的操作用Scala表达API:

val combined = array(df.columns.drop(1).map(col).map(_.cast(DoubleType)): _*)
val median_udf = udf((xs: Seq[Double]) => 
    breeze.stats.DescriptiveStats.percentile(xs, 0.5))

df.select(median_udf(combined).alias("median"))

自 Spark 2.4 以来，另一种方法是将值组合成数组并应用 aggregate 表达式。例如参见 [=20=].

Spark DataFrame：计算逐行平均值（或任何聚合操作）

Spark DataFrame: Computing row-wise mean (or any aggregate operation)

python

apache-spark

apache-spark-sql

pyspark