我正在尝试找出在 Spark 数据帧列中获取最大值的最佳方法。

请考虑以下示例：

df = spark.createDataFrame([(1., 4.), (2., 5.), (3., 6.)], ["A", "B"])
df.show()

这将创建：

+---+---+
|  A|  B|
+---+---+
|1.0|4.0|
|2.0|5.0|
|3.0|6.0|
+---+---+

我的目标是找到 A 列中的最大值(通过检查，这是 3.0(。使用PySpark，以下是我能想到的四种方法：

# Method 1: Use describe()
float(df.describe("A").filter("summary = 'max'").select("A").first().asDict()['A'])
# Method 2: Use SQL
df.registerTempTable("df_table")
spark.sql("SELECT MAX(A) as maxval FROM df_table").first().asDict()['maxval']
# Method 3: Use groupby()
df.groupby().max('A').first().asDict()['max(A)']
# Method 4: Convert to RDD
df.select("A").rdd.max()[0]

以上每个都给出了正确的答案，但是在没有Spark分析工具的情况下，我无法判断哪个是最好的。

从

直觉或经验主义中，关于上述哪种方法在 Spark 运行时或资源使用方面最有效，或者是否有比上述方法更直接的方法的任何想法？

>df1.show()
+-----+--------------------+--------+----------+-----------+
|floor|           timestamp|     uid|         x|          y|
+-----+--------------------+--------+----------+-----------+
|    1|2014-07-19T16:00:...|600dfbe2| 103.79211|71.50419418|
|    1|2014-07-19T16:00:...|5e7b40e1| 110.33613|100.6828393|
|    1|2014-07-19T16:00:...|285d22e4|110.066315|86.48873585|
|    1|2014-07-19T16:00:...|74d917a1| 103.78499|71.45633073|
>row1 = df1.agg({"x": "max"}).collect()[0]
>print row1
Row(max(x)=110.33613)
>print row1["max(x)"]
110.33613

答案几乎与方法3相同。但似乎可以删除方法3中的"asDict((">

可以使用以下命令实现数据帧特定列的最大值：

your_max_value = df.agg({"your-column": "max"}).collect()[0][0]

备注：Spark旨在研究大数据 - 分布式计算。示例数据帧的大小非常小，因此可以相对于小示例更改实际示例的顺序。

最慢：Method_1，因为.describe("A")计算最小值、最大值、平均值、标准dev 和计数(对整个列进行 5 次计算(。

中等：Method_4，因为.rdd(DF到RDD转换(会减慢该过程。

更快：Method_3~Method_2~Method_5，因为逻辑非常相似，所以Spark的催化剂优化器遵循非常相似的逻辑，操作次数最少(获取特定列的最大值，收集单值数据帧; .asDict()增加了一点加时赛，比较了 2、3 与 5(

import pandas as pd
import time
time_dict = {}
dfff = self.spark.createDataFrame([(1., 4.), (2., 5.), (3., 6.)], ["A", "B"])
#--  For bigger/realistic dataframe just uncomment the following 3 lines
#lst = list(np.random.normal(0.0, 100.0, 100000))
#pdf = pd.DataFrame({'A': lst, 'B': lst, 'C': lst, 'D': lst})
#dfff = self.sqlContext.createDataFrame(pdf)
tic1 = int(round(time.time() * 1000))
# Method 1: Use describe()
max_val = float(dfff.describe("A").filter("summary = 'max'").select("A").collect()[0].asDict()['A'])
tac1 = int(round(time.time() * 1000))
time_dict['m1']= tac1 - tic1
print (max_val)
tic2 = int(round(time.time() * 1000))
# Method 2: Use SQL
dfff.registerTempTable("df_table")
max_val = self.sqlContext.sql("SELECT MAX(A) as maxval FROM df_table").collect()[0].asDict()['maxval']
tac2 = int(round(time.time() * 1000))
time_dict['m2']= tac2 - tic2
print (max_val)
tic3 = int(round(time.time() * 1000))
# Method 3: Use groupby()
max_val = dfff.groupby().max('A').collect()[0].asDict()['max(A)']
tac3 = int(round(time.time() * 1000))
time_dict['m3']= tac3 - tic3
print (max_val)
tic4 = int(round(time.time() * 1000))
# Method 4: Convert to RDD
max_val = dfff.select("A").rdd.max()[0]
tac4 = int(round(time.time() * 1000))
time_dict['m4']= tac4 - tic4
print (max_val)
tic5 = int(round(time.time() * 1000))
# Method 5: Use agg()
max_val = dfff.agg({"A": "max"}).collect()[0][0]
tac5 = int(round(time.time() * 1000))
time_dict['m5']= tac5 - tic5
print (max_val)
print time_dict

集群边缘节点上的结果(以毫秒 (ms( 为单位(：

小自由度(毫秒(：{'m1': 7096, 'm2': 205, 'm3': 165, 'm4': 211, 'm5': 180}

更大的自由度(毫秒(：{'m1': 10260, 'm2': 452, 'm3': 465, 'm4': 916, 'm5': 373}

另一种方法：

df.select(f.max(f.col("A")).alias("MAX")).limit(1).collect()[0].MAX

在我的数据上，我得到了这个基准：

df.select(f.max(f.col("A")).alias("MAX")).limit(1).collect()[0].MAX
CPU times: user 2.31 ms, sys: 3.31 ms, total: 5.62 ms
Wall time: 3.7 s
df.select("A").rdd.max()[0]
CPU times: user 23.2 ms, sys: 13.9 ms, total: 37.1 ms
Wall time: 10.3 s
df.agg({"A": "max"}).collect()[0][0]
CPU times: user 0 ns, sys: 4.77 ms, total: 4.77 ms
Wall time: 3.75 s

他们都给出了相同的答案

下面的示例

演示如何获取 Spark 数据帧列中的最大值。

from pyspark.sql.functions import max
df = sql_context.createDataFrame([(1., 4.), (2., 5.), (3., 6.)], ["A", "B"])
df.show()
+---+---+
|  A|  B|
+---+---+
|1.0|4.0|
|2.0|5.0|
|3.0|6.0|
+---+---+
result = df.select([max("A")]).show()
result.show()
+------+
|max(A)|
+------+
|   3.0|
+------+
print result.collect()[0]['max(A)']
3.0

同样，最小值、平均值等可以计算如下：

from pyspark.sql.functions import mean, min, max
result = df.select([mean("A"), min("A"), max("A")])
result.show()
+------+------+------+
|avg(A)|min(A)|max(A)|
+------+------+------+
|   2.0|   1.0|   3.0|
+------+------+------+

首先添加导入行：

from pyspark.sql.functions import min, max

要查找数据帧中年龄的最小值，请执行以下操作：

df.agg(min("age")).show()
+--------+
|min(age)|
+--------+
|      29|
+--------+

要查找数据帧中的年龄最大值，请执行以下操作：

df.agg(max("age")).show()
+--------+
|max(age)|
+--------+
|      77|
+--------+

我使用了这个链中已经存在的另一种解决方案(通过@satprem rath(。

df.agg(min("age")).show()
+--------+
|min(age)|
+--------+
|      29|
+--------+

编辑：添加更多上下文。

虽然上述方法打印了结果，但在将结果分配给变量以便以后重用时，我遇到了问题。

因此，要仅获取分配给变量的int值：

from pyspark.sql.functions import max, min  
maxValueA = df.agg(max("A")).collect()[0][0]
maxValueB = df.agg(max("B")).collect()[0][0]

要只获取值，请使用以下任何值

df1.agg({"x": "max"}).collect()[0][0]
df1.agg({"x": "max"}).head()[0]
df1.agg({"x": "max"}).first()[0]

或者，我们可以为"min"做这些

from pyspark.sql.functions import min, max
df1.agg(min("id")).collect()[0][0]
df1.agg(min("id")).head()[0]
df1.agg(min("id")).first()[0]

如果有人想知道如何使用Scala(使用Spark 2.0.+(来做到这一点，你可以在这里：

scala> df.createOrReplaceTempView("TEMP_DF")
scala> val myMax = spark.sql("SELECT MAX(x) as maxval FROM TEMP_DF").
    collect()(0).getInt(0)
scala> print(myMax)
117

我相信

最好的解决方案是使用head()

考虑您的示例：

+---+---+
|  A|  B|
+---+---+
|1.0|4.0|
|2.0|5.0|
|3.0|6.0|
+---+---+

使用 python 的 agg 和 max 方法，我们可以得到如下值：

from pyspark.sql.functions import max df.agg(max(df.A)).head()[0]

这将返回： 3.0

确保您具有正确的导入：
from pyspark.sql.functions import max我们这里使用的max函数是pySPark sql库函数，而不是python默认的max函数。

在 pyspark 中你可以这样做：

max(df.select('ColumnName').rdd.flatMap(lambda x: x).collect())

这是一种懒惰的方法，只需执行计算统计信息：

df.write.mode("overwrite").saveAsTable("sampleStats")
Query = "ANALYZE TABLE sampleStats COMPUTE STATISTICS FOR COLUMNS " + ','.join(df.columns)
spark.sql(Query)
df.describe('ColName')

或

spark.sql("Select * from sampleStats").describe('ColName')

或者你可以打开一个蜂巢外壳，然后

describe formatted table sampleStats;

您将在属性中看到统计信息 - 最小值、最大值、非重复值、空值等。

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions._
val testDataFrame = Seq(
  (1.0, 4.0), (2.0, 5.0), (3.0, 6.0)
).toDF("A", "B")
val (maxA, maxB) = testDataFrame.select(max("A"), max("B"))
  .as[(Double, Double)]
  .first()
println(maxA, maxB)

结果是(3.0,6.0(，与testDataFrame.agg(max($"A"), max($"B")).collect()(0)相同。但是，testDataFrame.agg(max($"A"), max($"B")).collect()(0)返回一个列表 [3.0,6.0]

获取 Spark 数据帧列中的最大值的最佳方法

要查找数据帧中年龄的最小值，请执行以下操作：

要查找数据帧中的年龄最大值，请执行以下操作：

相关内容

最新更新

热门标签：