web-dev-qa-db-ja.com

pyspark dataframes集計の列の名前を変更する

Pysparkデータフレームを使用していくつかのデータを分析しています。集約するデータフレームdfがあるとします。

df.groupBy("group")\
  .agg({"money":"sum"})\
  .show(100)

これは私に与えます：

group                SUM(money#2L)
A                    137461285853
B                    172185566943
C                    271179590646

集計は正常に機能しますが、新しい列名「SUM（money＃2L）」は嫌いです。この列の名前を.aggメソッドから人間が読める形式に変更する適切な方法はありますか？ dplyrで行うことにより似ているかもしれません：

df %>% group_by(group) %>% summarise(sum_money = sum(money))
dataframepyspark
53
cantdutchthis

私はまだdplyr構文を好みますが、このコードスニペットは次のようにします：

import pyspark.sql.functions as sf

df.groupBy("group")\
  .agg(sf.sum('money').alias('money'))\
  .show(100)

冗長になります。

90
cantdutchthis

withColumnRenamedはトリックを行う必要があります。 pyspark.sql API へのリンクは次のとおりです。

df.groupBy("group")\
  .agg({"money":"sum"})\
  .withColumnRenamed("SUM(money)", "money")
  .show(100)
45
dnlbrky

一部の人々を助けるかもしれないこのための小さなヘルパー関数を作成しました。

import re

from functools import partial

def rename_cols(agg_df, ignore_first_n=1):
    """changes the default spark aggregate names `avg(colname)` 
    to something a bit more useful. Pass an aggregated dataframe
    and the number of aggregation columns to ignore.
    """
    delimiters = "(", ")"
    split_pattern = '|'.join(map(re.escape, delimiters))
    splitter = partial(re.split, split_pattern)
    split_agg = lambda x: '_'.join(splitter(x))[0:-ignore_first_n]
    renamed = map(split_agg, agg_df.columns[ignore_first_n:])
    renamed = Zip(agg_df.columns[ignore_first_n:], renamed)
    for old, new in renamed:
        agg_df = agg_df.withColumnRenamed(old, new)
    return agg_df

例：

gb = (df.selectExpr("id", "rank", "rate", "price", "clicks")
 .groupby("id")
 .agg({"rank": "mean",
       "*": "count",
       "rate": "mean", 
       "price": "mean", 
       "clicks": "mean", 
       })
)

>>> gb.columns
['id',
 'avg(rate)',
 'count(1)',
 'avg(price)',
 'avg(rank)',
 'avg(clicks)']

>>> rename_cols(gb).columns
['id',
 'avg_rate',
 'count_1',
 'avg_price',
 'avg_rank',
 'avg_clicks']

少なくとも少しの間、人々がそれほどタイピングするのを防ぎます。

4
Aaron Gonzales

次のように簡単です：

 val maxVideoLenPerItemDf = requiredItemsFiltered.groupBy("itemId").agg(max("playBackDuration").as("customVideoLength"))
maxVideoLenPerItemDf.show()

Aggで.asを使用して、作成された新しい行に名前を付けます。

2
lego king
df = df.groupby('Device_ID').agg(aggregate_methods)
for column in df.columns:
    start_index = column.find('(')
    end_index = column.find(')')
    if (start_index and end_index):
        df = df.withColumnRenamed(column, column[start_index+1:end_index])

上記のコードは、「（）」の外側にあるものをすべて取り除くことができます。たとえば、「sum（foo）」は「foo」に名前が変更されます。

1
Huiguorou
import findspark
findspark.init()

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *

spark = SparkSession.builder.appName('test').getOrCreate()
data = [(1, "siva", 100), (2, "siva2", 200),(3, "siva3", 300),(4, "siva4", 400),(5, "siva5", 500)]
schema = ['id', 'name', 'sallary']

df = spark.createDataFrame(data, schema=schema)
df.show()
+---+-----+-------+
| id| name|sallary|
+---+-----+-------+
|  1| siva|    100|
|  2|siva2|    200|
|  3|siva3|    300|
|  4|siva4|    400|
|  5|siva5|    500|
+---+-----+-------+


**df.agg({"sallary": "max"}).withColumnRenamed('max(sallary)', 'max').show()**
+---+
|max|
+---+
|500|
+---+
1
Shiva

辞書columns_and_operationsがあり、集約後にハードコーディングなしで名前変更を行いたい場合、より簡単な方法は次のとおりです。

from functools import reduce

columns_and_operations = {
        "rank": "mean",
        "*": "count",
        "rate": "mean", 
        "price": "mean", 
         "clicks": "mean"}

df = df.groupBy("group").agg(columns_and_operations)

old_names = ["{}({})".format(v, k) for k, v in columns_and_operations.items()]
new_names = list(columns_and_operations.keys())

df = reduce(lambda df, i: df.withColumnRenamed(old_names[i],
                                               new_names[i]),
            range(len(old_names)),
            df)
0
Joao Francisco Martins