私はデータフレームを持っていますgi_man_dfここでグループはnになります:
+------------------+-----------------+--------+--------------+
| group | number|Rand_int| Rand_double|
+------------------+-----------------+--------+--------------+
| 'GI_MAN'| 7| 3| 124.2|
| 'GI_MAN'| 7| 10| 121.15|
| 'GI_MAN'| 7| 11| 129.0|
| 'GI_MAN'| 7| 12| 125.0|
| 'GI_MAN'| 7| 13| 125.0|
| 'GI_MAN'| 7| 21| 127.0|
| 'GI_MAN'| 7| 22| 126.0|
+------------------+-----------------+--------+--------------+
そして、私はnumpy nd_array、つまり、gi_man_arrayを期待しています:
[[[124.2],[121.15],[129.0],[125.0],[125.0],[127.0],[126.0]]]
ここで、ピボットを適用した後のRand_double値。
次の2つのアプローチを試しました。
最初: gi_man_dfを次のようにピボットします。
gi_man_pivot = gi_man_df.groupBy("number").pivot('Rand_int').sum("Rand_double")
私が得た出力は次のとおりです。
Row(number=7, group=u'GI_MAN', 3=124.2, 10=121.15, 11=129.0, 12=125.0, 13=125.0, 21=127.0, 23=126.0)
しかし、ここでの問題は、目的の出力を取得することです。それを行列に変換してから、再びnumpy配列に変換することはできません。
SECOND:次を使用してデータフレーム自体にベクトルを作成しました:
assembler = VectorAssembler(inputCols=["Rand_double"],outputCol="Rand_double_vector")
gi_man_vector = assembler.transform(gi_man_df)
gi_man_vector.show(7)
そして、私は次の出力を得ました:
+----------------+-----------------+--------+--------------+--------------+
| group| number|Rand_int| Rand_double| Rand_dbl_Vect|
+----------------+-----------------+--------+--------------+--------------+
| GI_MAN| 7| 3| 124.2| [124.2]|
| GI_MAN| 7| 10| 121.15| [121.15]|
| GI_MAN| 7| 11| 129.0| [129.0]|
| GI_MAN| 7| 12| 125.0| [125.0]|
| GI_MAN| 7| 13| 125.0| [125.0]|
| GI_MAN| 7| 21| 127.0| [127.0]|
| GI_MAN| 7| 22| 126.0| [126.0]|
+----------------+-----------------+--------+--------------+--------------+
しかし、ここでの問題はRand_dbl_Vectでピボットできないことです。
だから私の質問は:
1。 2つのアプローチのいずれかが目的の出力を達成する正しい方法ですか?そうであれば、どのようにさらに進めて目的の結果を得ることができますか?
2。コードを最適化し、パフォーマンスを向上させるために、他にどのような方法で進めることができますか?
この
import numpy as np
np.array(gi_man_df.select('Rand_double').collect())
生産する
array([[ 124.2 ],
[ 121.15],
.........])