如何在分组的 Spark 数据框中计算布尔值

Question

我想计算分组 Spark 数据帧中的一列中有多少记录是真实的，但我不知道如何在 python 中做到这一点。例如，我有一个带有region、salary的数据和IsUnemployed列，其中IsUnemployed为布尔值。我想看看每个地区有多少失业者。 我知道我们可以做一个filter然后groupby但我想同时生成两个聚合，如下所示

from pyspark.sql import functions as F  
data.groupby("Region").agg(F.avg("Salary"), F.count("IsUnemployed")) 

Answer 1

可能最简单的解决方案是带有 SUM 的普通CAST（C 样式，其中 TRUE -> 1，FALSE -> 0）：

(data
    .groupby("Region")
    .agg(F.avg("Salary"), F.sum(F.col("IsUnemployed").cast("long"))))

更通用和惯用的解决方案是COUNT CASE WHEN：

(data
    .groupby("Region")
    .agg(
        F.avg("Salary"),
        F.count(F.when(F.col("IsUnemployed"), F.col("IsUnemployed")))))

但在这里，这显然是矫枉过正。