web-dev-qa-db-fra.com

pyspark compte les lignes à condition

J'ai un dataframe

test = spark.createDataFrame([('bn', 12452, 221), ('mb', 14521, 330),('bn',2,220),('mb',14520,331)],['x','y','z'])
test.show()

J'ai besoin de compter les lignes en fonction d'une condition:

test.groupBy("x").agg(count(col("y")>12453),count(col("z")>230)).show()

qui donne

 +---+------------------+----------------+
 |  x|count((y > 12453))|count((z > 230))|
 +---+------------------+----------------+
 | bn|                 2|               2|
 | mb|                 2|               2|
 +---+------------------+----------------+

C'est juste le nombre de lignes et non les lignes pour certaines conditions.

countpyspark
7
newleaf

count ne fait pas la somme True s, il ne compte que le nombre de valeurs non nulles. Pour compter les valeurs True, vous devez convertir les conditions en 1/0 puis sum:

import pyspark.sql.functions as F

cnt_cond = lambda cond: F.sum(F.when(cond, 1).otherwise(0))
test.groupBy('x').agg(
    cnt_cond(F.col('y') > 12453).alias('y_cnt'), 
    cnt_cond(F.col('z') > 230).alias('z_cnt')
).show()
+---+-----+-----+
|  x|y_cnt|z_cnt|
+---+-----+-----+
| bn|    0|    0|
| mb|    2|    2|
+---+-----+-----+
19
Psidom

Sur la base de la réponse @Psidom, ma réponse est la suivante

from pyspark.sql.functions import col,when,count

test.groupBy("x").agg(count(when((col("y")>12453),True)),count(when(col("z")>230,True))).show()
7
newleaf