计算来自Pyspark中数据框的零和非零件

Question

我在pyspark中有一个数据框，我想在列中计算列中的nulls和这些相应列的不同值，即非nulls

这是我拥有的数据框架

trans_date   transaction_id    transaction_id1
2016-01-01     1                  1
2016-01-01     2                 null
2016-01-01     null               3

我想在一个月和一年中进行汇总，并产生类似的东西

| month | year | id_count_in_x_not_in_y | id_count_in_y_not_in_x | ids_in_x | ids_in_y |

df.groupBy(F.month(F.col("trans_date")).alias("MONTH"), 
                            F.year(F.col("trans_date")).alias("YEAR")) 
  .agg(*(F.sum(F.col(c).isNull().cast("int")).alias(c) for c in columns))
  .show()

这是我在代码方面拥有的，但似乎并没有给我好的答案。另外，应该如何在相同的代码中进行非挂钩计数。任何帮助，将不胜感激。谢谢！

Answer 1

首先，按年度和一个月按小组。我们可以计算每组中每组的零和非效组，并在转换为INT之后将它们进行总和；那部分很简单。

对于出现在一个列中而不是另一列中的元素计数中，我们可以使用 collect_set，将唯一元素汇总到单个数组中，并与 array_except：

结合使用。

from pyspark.sql import functions as F
from pyspark.sql.types import IntegerType
result = (df
     .groupBy(F.year('date').alias('year'), F.month('date').alias('month'))
     .agg(F.sum(F.isnull('x').cast(IntegerType())).alias('x_null'),
          F.sum(F.isnull('y').cast(IntegerType())).alias('y_null'),
          F.sum((~F.isnull('x')).cast(IntegerType())).alias('x_not_null'),
          F.sum((~F.isnull('y')).cast(IntegerType())).alias('y_not_null'),
          F.collect_set('x').alias('x_unique'),
          F.collect_set('y').alias('y_unique'))
     .withColumn('x_not_in_y_count', F.size(F.array_except('x_unique', 'y_unique')))
     .withColumn('y_not_in_x_count', F.size(F.array_except('y_unique', 'x_unique')))
     .drop('x_unique', 'y_unique')
     .orderBy('year', 'month')
)

给定以下测试数据：

+----------+----+----+
|      date|   x|   y|
+----------+----+----+
|1991-01-01|null|   2|
|1991-01-02|   1|null|
|1991-01-03|   2|   3|
|1991-02-01|null|   1|
|1991-02-02|null|   2|
+----------+----+----+

这是输出：

+----+-----+------+------+----------+----------+----------------+----------------+
|year|month|x_null|y_null|x_not_null|y_not_null|x_not_in_y_count|y_not_in_x_count|
+----+-----+------+------+----------+----------+----------------+----------------+
|1991|    1|     1|     1|         2|         2|               1|               1|
|1991|    2|     2|     0|         0|         2|               0|               2|
+----+-----+------+------+----------+----------+----------------+----------------+