如何转置数据框以计算值是否存在的标志

Question

我有一个看起来像这样的数据名声

Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL
.......
10000|DPS123|OTH

用户ID是识别用户的列，typeexp列定义了该月的支出类型，现在我有5个不同的支出，即

typexplist = [电影，游戏，服装，医疗，oth]

现在，我想将其转换为用户级别的数据框架，其中具有0或1个二进制变量，以存储信息天气，而不是用户" x"完成了上述类型的支出

例如，在上面的快照数据帧输出中应该看起来像

User| TypeExpList         #Type list is this array corresponding entry's [MOVIE,GAMES,CLOTHING,MEDICAL,OTH]
JAS123 |[1,0,1,0,1]      #since user has done expenditure on Movie,CLOTHING,OTHER Category 
ASP123 |[0,1,0,1,0]       #since User expenditure on  GAMES & MEDICAL
DPS123 |[1,0,1,0,1]         #since user expenditure on  MOVIE,CLOTHING & OTHER
POQ133 |[0,0,0,1,0]        #since User Expenditure on MEDICAL only 

Answer 1

这是您的输入数据集。

$ cat input.csv
Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL

这样，您可以在UserID上对pivot进行CC_1。

val bins = spark
  .read
  .option("sep", "|")
  .option("header", true)
  .csv("input.csv")
  .groupBy("UserID")
  .pivot("TypeExp")
  .count
  .na
  .fill(0)
scala> bins.show
+------+--------+-----+-------+-----+---+
|UserID|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|POQ133|       0|    0|      1|    0|  0|
|JAS123|       1|    0|      0|    1|  1|
|DPS123|       1|    0|      0|    1|  0|
|ASP123|       0|    1|      1|    0|  0|
+------+--------+-----+-------+-----+---+

您有0 S和1 s。最后的技巧是在列上使用array来构建适当的输出，其中位置表示支出。

val solution = bins.select(
  $"UserID" as "User",
  array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

---

鉴于支出可能发生零，一次或多次，支出的count可以给出0，1或更高的数字。

您可以使用UDF对值进行二分化，并确保仅使用0 S和1S。

val binarizer = udf { count: Long => if (count > 0) 1 else 0 }
val binaryCols = bins
  .columns
  .filterNot(_ == "UserID")
  .map(col)
  .map(c => binarizer(c) as c.toString)
val selectCols = ($"UserID" as "User") +: binaryCols
val solution = bins
  .select(selectCols: _*)
  .select(
    $"User",
    array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

Answer 2

crosstab将完成大部分工作：

val table = df.stat.crosstab("UserID", "TypeExp")
+--------------+--------+-----+-------+-----+---+
|UserID_TypeExp|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+--------------+--------+-----+-------+-----+---+
|        ASP123|       0|    1|      1|    0|  0|
|        DPS123|       1|    0|      0|    1|  0|
|        JAS123|       1|    0|      0|    1|  1|
|        POQ133|       0|    0|      1|    0|  0|
+--------------+--------+-----+-------+-----+---+

可以很好地与强键入API结合：

table.map(_.toSeq match {
  case Seq(id: String, cnts @ _*) => 
    (id, cnts.map(c => if(c != 0) 1 else 0))}).toDF("UserId", "TypeExp")
+------+---------------+
|UserId|        TypeExp|
+------+---------------+
|ASP123|[0, 1, 1, 0, 0]|
|DPS123|[1, 0, 0, 1, 0]|
|JAS123|[1, 0, 0, 1, 1]|
|POQ133|[0, 0, 1, 0, 0]|
+------+---------------+

Answer 3

该解决方案在Scala中，但在Pyspark中也应该有些相似，因为它使用了DSL。枢轴可提供SPARK 1.6

val pivotDf = df.groupBy($"userid").pivot("typeexp").agg(count($"typeexp") )
pivotDf.show
+------+--------+-----+-------+-----+---+
|userid|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|DPS123|       1|    0|      0|    1|  0|
|JAS123|       1|    0|      0|    1|  1|
|ASP123|       0|    1|      1|    0|  0|
|POQ133|       0|    0|      1|    0|  0|
+------+--------+-----+-------+-----+---+
pivotDf.selectExpr("userid", "array(movie, games, clothing, medical,oth) as  TypExpList")
       .show
+------+---------------+
|userid|     TypExpList|
+------+---------------+
|DPS123|[1, 0, 1, 0, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|ASP123|[0, 1, 0, 1, 0]|
|POQ133|[0, 0, 0, 1, 0]|
+------+---------------+