具有用户定义函数的Pyspark数据帧聚合

Question

如何将'groupby（key）.agg（'与用户定义的函数一起使用？特别是，我需要每个键的所有唯一值的列表[而不是计数]。

Answer 1

collect_set和collect_list（分别用于无序和有序结果）可用于逐组处理结果。从一个简单的火花数据帧开始

    df = sqlContext.createDataFrame(
    [('first-neuron', 1, [0.0, 1.0, 2.0]), 
    ('first-neuron', 2, [1.0, 2.0, 3.0, 4.0])], 
    ("neuron_id", "time", "V"))

假设目标是为每个神经元（按名称分组）返回最长的V列表

    from pyspark.sql import functions as F
    grouped_df = tile_img_df.groupby('neuron_id').agg(F.collect_list('V'))

我们现在已经将V列表分组为一个列表列表。由于我们想要最长的长度，我们可以运行

    import pyspark.sql.types as sq_types
    len_udf = F.udf(lambda v_list: int(np.max([len(v) in v_list])),
                      returnType = sq_types.IntegerType())
    max_len_df = grouped_df.withColumn('max_len',len_udf('collect_list(V)'))

要获得添加了V列表的最大长度的max_len列

Answer 2

我找到了pyspark.sql.functions.collect_set(col)，它完成了我想要的工作。