给定以下数据帧:
import findspark
findspark.init()
from pyspark.sql import SparkSession
spark = SparkSession.builder.master("local").appName("test").getOrCreate()
df = spark.createDataFrame([['a',1],['b', 2],['a', 3]], ['category', 'value'])
df.show()
+--------+-----+
|category|value|
+--------+-----+
| a| 1|
| b| 2|
| a| 3|
+--------+-----+
我想计算每个类别中的项目数量,并为每次计数提供总计的百分比,如下所示
+--------+-----+----------+
|category|count|percentage|
+--------+-----+----------+
| b| 1| 0.333|
| a| 2| 0.667|
+--------+-----+----------+
您可以使用以下内容获取总计的计数和百分比/比率
import pyspark.sql.functions as f
from pyspark.sql.window import Window
df.groupBy('category').count()
.withColumn('percentage', f.round(f.col('count') / f.sum('count')
.over(Window.partitionBy()),3)).show()
+--------+-----+----------+
|category|count|percentage|
+--------+-----+----------+
| b| 1| 0.333|
| a| 2| 0.667|
+--------+-----+----------+
前面的语句可以分为几个步骤。df.groupBy('category').count()
产生count
:
+--------+-----+
|category|count|
+--------+-----+
| b| 1|
| a| 2|
+--------+-----+
然后通过应用窗口函数,我们可以获得每行的总数:
df.groupBy('category').count().withColumn('total', f.sum('count').over(Window.partitionBy())).show()
+--------+-----+-----+
|category|count|total|
+--------+-----+-----+
| b| 1| 3|
| a| 2| 3|
+--------+-----+-----+
其中,total
列是通过将分区(包含所有行的单个分区(中的所有计数相加来计算的。
一旦我们有了每一行的count
和total
,我们就可以计算出比率:
df.groupBy('category')
.count()
.withColumn('total', f.sum('count').over(Window.partitionBy()))
.withColumn('percentage',f.col('count')/f.col('total'))
.show()
+--------+-----+-----+------------------+
|category|count|total| percentage|
+--------+-----+-----+------------------+
| b| 1| 3|0.3333333333333333|
| a| 2| 3|0.6666666666666666|
+--------+-----+-----+------------------+
您可以使用agg
groupby
和聚合:
import pyspark.sql.functions as F
df.groupby('category').agg(F.count('value') / df.count()).show()
输出:
+--------+------------------+
|category|(count(value) / 3)|
+--------+------------------+
| b|0.3333333333333333|
| a|0.6666666666666666|
+--------+------------------+
为了使它更好,您可以使用:
df.groupby('category').agg(
(
F.round(F.count('value') / df.count(), 2)
).alias('ratio')
).show()
输出:
+--------+-----+
|category|ratio|
+--------+-----+
| b| 0.33|
| a| 0.67|
+--------+-----+
您还可以使用 SQL:
df.createOrReplaceTempView('df')
spark.sql(
"""
SELECT category, COUNT(*) / (SELECT COUNT(*) FROM df) AS ratio
FROM df
GROUP BY category
"""
).show()