对数据分析时,通常需要对数据进行分组,并对每个分组进行聚合运算。在一定意义上,窗口也是一种分组统计的方法。
分组数据
DataFrame.groupBy()返回的是GroupedData类,可以对分组数据应用聚合函数、apply()函数和pivot()函数。
常用的聚合函数是:
- count():统计数量
- mean(*cols), avg(*cols):计算均值
- max(*cols),min(*cols):计算最大值和最小值
- sum(*cols):计算累加和
举个例子,对DataFrame计算最大的age和height列的值:
df.groupBy().max('age', 'height').collect()
一,聚合函数
对于聚合函数,还可以使用pandas中的函数,这需要使用GroupedData类的agg(*exprs)函数,该函数的作用是计算聚合值,并返回DataFrame对象。
可以用于agg()函数中的聚合函数主要分为两类:
- 内置的聚合函数:avg, max, min, sum, count
- 分组聚合的pandas UDF:pyspark.sql.functions.pandas_udf()
对于内置的聚合函数,可以通过pyspark.sql.functions来导入:
gdf = df.groupBy(df.name) from pyspark.sql import functions as F sorted(gdf.agg(F.min(df.age)).collect()) #[Row(name='Alice', min(age)=2), Row(name='Bob', min(age)=5)]
这里重点介绍如何创建一个pandas UDF,Pandas UDF由Spark使用Arrow来传输数据,并通过Pandas对数据进行矢量化操作。在创建Pandas UDF时,需要通过pandas_udf作为修饰器或包装函数。
pyspark.sql.functions.pandas_udf(f=None, returnType=None, functionType=None)
参数注释:
- f:UDF
- returnType:UDF的返回值类型
- functionType:一个枚举值,它的枚举类型是:pyspark.sql.functions.PandasUDFType,默认值是SCALAR,返回标量值。
举个例子,创建一个UDF,统计字符的个数。
在修饰器中定义函数的返回值类型是int,参数的模式是接收一个序列,返回一个序列,序列中的元素的数据类型是由修饰器决定的。
import pandas as pd from pyspark.sql.functions import pandas_udf @pandas_udf(IntegerType()) def slen(s: pd.Series) -> pd.Series: return s.str.len()
在定义函数时,显式指定输入参数的类型是MyType,函数返回值的类型是str:
# 输入参数类型提示为MyType,函数返回类型提示为str def foo(name: MyType) -> str: return str(name)
二,用户自定义的pandas函数
pyspark共支持5种UDF的模式,分别表示从形参到返回值的模式
模式1:从DataFrame到DataFrame
@pandas_udf("col1 string, col2 long") def func(s1: pd.Series, s2: pd.Series, s3: pd.DataFrame) -> pd.DataFrame: s3['col2'] = s1 + s2.str.len() return s3
模式2:从Series到Series
@pandas_udf("string") def to_upper(s: pd.Series) -> pd.Series: return s.str.upper()
模式3:从Series到Scalar,这种模式就是聚合函数,把多个值按照公式转换为标量值。
@pandas_udf("double") def mean_udf(v: pd.Series) -> float: return v.mean()
模式4:Iterator[pandas.Series] -> Iterator[pandas.Series]
from typing import Iterator @pandas_udf("long") def plus_one(iterator: Iterator[pd.Series]) -> Iterator[pd.Series]: for s in iterator: yield s + 1 df = spark.createDataFrame(pd.DataFrame([1, 2, 3], columns=["v"])) df.select(plus_one(df.v)).show() +-----------+ |plus_one(v)| +-----------+ | 2| | 3| | 4| +-----------+
模式5:Iterator[Tuple[pandas.Series, …]] -> Iterator[pandas.Series]
from typing import Iterator, Tuple from pyspark.sql.functions import struct, col @pandas_udf("long") def multiply(iterator: Iterator[Tuple[pd.Series, pd.DataFrame]]) -> Iterator[pd.Series]: for s1, df in iterator: yield s1 * df.v df = spark.createDataFrame(pd.DataFrame([1, 2, 3], columns=["v"])) df.withColumn('output', multiply(col("v"), struct(col("v")))).show() +---+------+ | v|output| +---+------+ | 1| 1| | 2| 4| | 3| 9| +---+------+
三,apply(udf)函数和applyInPandas(func, schema)
apply()和applyInPandas()函数的作用是:对每个分组应用函数,计算每个分组的聚合值。
apply(udf)函数使用 pyspark.sql.functions.pandas_udf() 作为参数,applyInPandas(func, schema)函数使用python 原生函数作为参数。
例如,apply()函数使用pandas_udf作为参数:
from pyspark.sql.functions import pandas_udf, PandasUDFType df = spark.createDataFrame( [(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)], ("id", "v")) @pandas_udf("id long, v double", PandasUDFType.GROUPED_MAP) def normalize(pdf): v = pdf.v return pdf.assign(v=(v - v.mean()) / v.std()) df.groupby("id").apply(normalize).show() +---+-------------------+ | id| v| +---+-------------------+ | 1|-0.7071067811865475| | 1| 0.7071067811865475| | 2|-0.8320502943378437| | 2|-0.2773500981126146| | 2| 1.1094003924504583| +---+-------------------+
例如,applyInPandas()使用python 原生的函数作为参数:
import pandas as pd from pyspark.sql.functions import pandas_udf, ceil df = spark.createDataFrame( [(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)], ("id", "v")) def normalize(pdf): v = pdf.v return pdf.assign(v=(v - v.mean()) / v.std()) df.groupby("id").applyInPandas( normalize, schema="id long, v double").show() +---+-------------------+ | id| v| +---+-------------------+ | 1|-0.7071067811865475| | 1| 0.7071067811865475| | 2|-0.8320502943378437| | 2|-0.2773500981126146| | 2| 1.1094003924504583| +---+-------------------+
四,pivot()函数
从当前的DataFrame种透视一列,并执行指定的聚合操作。
pivot(pivot_col, values=None)
参数注释:
- pivot_col:指定用于透视的列
- values:被旋转为列的值列表,该参数如果为None,表示旋转列的所有值。
举个例子,按照year进行分组,把course列种的值透视为列,并计算earnings列的累加值:
df4.groupBy("year").pivot("course", ["dotNET", "Java"]).sum("earnings").collect() #[Row(year=2012, dotNET=15000, Java=20000), Row(year=2013, dotNET=48000, Java=30000)] df4.groupBy("year").pivot("course").sum("earnings").collect() #[Row(year=2012, Java=20000, dotNET=15000), Row(year=2013, Java=30000, dotNET=48000)]
窗口函数
用于定义DataFrame的窗口,并对窗口进行计算。在进行窗口移动值,窗口的当前行(currentRow)的位置是0,如果position小于0,表示在当前行之前,如果position大于0,表示在当前行之后。
Window的位置属性:
Window.unboundedPreceding:窗口的第一行
Window.unboundedFollowing:窗口的最后一行
Window.currentRow:窗口的当前行
通过窗口函数来创建窗口:
- partitionBy(*cols):分区
- orderBy(*cols):排序
- rangeBetween(start, end):start和end是相对于current row的位置,
- rowsBetween(start, end):start和end是相对于current row的位置,
举个例子,利用这四个函数来创建窗口:
# ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW window = Window.orderBy("date").rowsBetween(Window.unboundedPreceding, Window.currentRow) # PARTITION BY country ORDER BY date RANGE BETWEEN 3 PRECEDING AND 3 FOLLOWING window = Window.orderBy("date").partitionBy("country").rangeBetween(-3, 3)
参考文档:
pyspark.sql module