web-dev-qa-db-fra.com

Comparaison de colonnes dans Pyspark

Je travaille sur un PySpark DataFrame avec n colonnes. J'ai un ensemble de m colonnes (m <n) et ma tâche consiste à choisir la colonne contenant le maximum de valeurs.

Par exemple: 

Entrée: PySpark DataFrame contenant col_1 = [1,2,3], col_2 = [2,1,4], col_3 = [3,2,5]. 

Ouput = col_4 = max (col1, col_2, col_3) = [3,2,5] dans cet exemple.

Il y a quelque chose de similaire dans les pandas, comme expliqué dans this question.

Existe-t-il un moyen de le faire dans PySpark ou dois-je modifier la conversion de mon PySpark df en Pandas df, puis effectuer les opérations?

9
Hemant

Vous pouvez réduire l'utilisation d'expressions SQL sur une liste de colonnes:

from pyspark.sql.functions import max as max_, col, when
from functools import reduce

def row_max(*cols):
    return reduce(
        lambda x, y: when(x > y, x).otherwise(y),
        [col(c) if isinstance(c, str) else c for c in cols]
    )

df = (sc.parallelize([(1, 2, 3), (2, 1, 2), (3, 4, 5)])
    .toDF(["a", "b", "c"]))

df.select(row_max("a", "b", "c").alias("max")))

Spark 1.5+ fournit également least, greatest

from pyspark.sql.functions import greatest

df.select(greatest("a", "b", "c"))

Si vous voulez garder le nom du max, vous pouvez utiliser `structs:

from pyspark.sql.functions import struct, lit

def row_max_with_name(*cols):
    cols_ = [struct(col(c).alias("value"), lit(c).alias("col")) for c in cols]
    return greatest(*cols_).alias("greatest({0})".format(",".join(cols)))

 maxs = df.select(row_max_with_name("a", "b", "c").alias("maxs"))

Et enfin, vous pouvez utiliser ci-dessus pour sélectionner la colonne "top" sélectionnée:

from pyspark.sql.functions import max

((_, c), ) = (maxs
    .groupBy(col("maxs")["col"].alias("col"))
    .count()
    .agg(max(struct(col("count"), col("col"))))
    .first())

df.select(c)
12
zero323

Vous pouvez également utiliser le pyspark intégré least :

from pyspark.sql.functions import least, col
df = df.withColumn('min', least(col('c1'), col('c2'), col('c3')))
2
mattexx

Une autre façon simple de le faire. Disons que la df ci-dessous est votre cadre de données

df = sc.parallelize([(10, 10, 1 ), (200, 2, 20), (3, 30, 300), (400, 40, 4)]).toDF(["c1", "c2", "c3"])
df.show()

+---+---+---+
| c1| c2| c3|
+---+---+---+
| 10| 10|  1|
|200|  2| 20|
|  3| 30|300|
|400| 40|  4|
+---+---+---+

Vous pouvez traiter le df ci-dessus comme ci-dessous pour obtenir les résultats souhaités

from pyspark.sql.functions import lit, min

df.select( lit('c1').alias('cn1'), min(df.c1).alias('c1'),
           lit('c2').alias('cn2'), min(df.c2).alias('c2'),
           lit('c3').alias('cn3'), min(df.c3).alias('c3')
          )\
         .rdd.flatMap(lambda r: [ (r.cn1, r.c1), (r.cn2, r.c2), (r.cn3, r.c3)])\
         .toDF(['Columnn', 'Min']).show()

+-------+---+
|Columnn|Min|
+-------+---+
|     c1|  3|
|     c2|  2|
|     c3|  1|
+-------+---+
0
Rags

Solution Scala:

df = sc.parallelize(Seq((10, 10, 1 ), (200, 2, 20), (3, 30, 300), (400, 40, 4))).toDF("c1", "c2", "c3"))  

df.rdd.map(row=>List[String](row(0).toString,row(1).toString,row(2).toString)).map(x=>(x(0),x(1),x(2),x.min)).toDF("c1","c2","c3","min").show    

+---+---+---+---+  
| c1| c2| c3|min|  
+---+---+---+---+  
| 10| 10|  1|  1|    
|200|  2| 20|  2|  
|  3| 30|300|  3|  
|400| 40|  4|  4|  
+---+---+---+---+  
0