Pyspark数据帧:在一列上求和，在另一列上分组

Question

我有一个数据帧，比如下面的

In [94]: prova_df.show()

order_item_order_id order_item_subtotal
1                   299.98             
2                   199.99             
2                   250.0              
2                   129.99             
4                   49.98              
4                   299.95             
4                   150.0              
4                   199.92             
5                   299.98             
5                   299.95             
5                   99.96              
5                   299.98             

我想做的是，对于第一列的每个不同值，计算第二列相应值的和。我试着用以下代码来做这件事：

from pyspark.sql import functions as func
prova_df.groupBy("order_item_order_id").agg(func.sum("order_item_subtotal")).show()

它给出一个输出

SUM('order_item_subtotal)
129.99000549316406       
579.9500122070312        
199.9499969482422        
634.819995880127         
434.91000747680664 

我不太确定它是否在做正确的事情。为什么它不同时显示第一列中的信息？提前感谢您的回答

Answer 1

为什么它不同时显示第一列中的信息？

很可能是因为您使用的是过时的Spark 1.3.x。如果是这种情况，您必须在agg中重复对列进行分组，如下所示：

(df
    .groupBy("order_item_order_id")
    .agg(func.col("order_item_order_id"), func.sum("order_item_subtotal"))
    .show())

Answer 2

使用PySpark 2.7.x解决问题的类似解决方案如下：

df = spark.createDataFrame(
    [(1, 299.98),
    (2, 199.99),
    (2, 250.0),
    (2, 129.99),
    (4, 49.98),
    (4, 299.95),
    (4, 150.0),
    (4, 199.92),
    (5, 299.98),
    (5, 299.95),
    (5, 99.96),
    (5, 299.98)],
    ['order_item_order_id', 'order_item_subtotal'])
df.groupBy('order_item_order_id').sum('order_item_subtotal').show()

其结果如下：

+-------------------+------------------------+
|order_item_order_id|sum(order_item_subtotal)|
+-------------------+------------------------+
|                  5|       999.8700000000001|
|                  1|                  299.98|
|                  2|                  579.98|
|                  4|                  699.85|
+-------------------+------------------------+

Answer 3

您可以在窗口函数中使用分区：

from pyspark.sql import Window
df.withColumn("value_field", f.sum("order_item_subtotal") 
  .over(Window.partitionBy("order_item_order_id"))) 
  .show()