我有一个包含空值的数据框:
from pyspark.sql import functions as F
df = spark.createDataFrame(
[(125, '2012-10-10', 'tv'),
(20, '2012-10-10', 'phone'),
(40, '2012-10-10', 'tv'),
(None, '2012-10-10', 'tv')],
["Sales", "date", "product"]
)
我需要计算“销售额”列中的非空值。
我尝试了3种方法。
我做对的第一个:
df.where(F.col("sales").isNotNull()).groupBy('product')\
.agg((F.count(F.col("Sales")).alias("sales_count"))).show()
# product | sales_count
# phone | 1
# tv | 2
第二个,不正确:
df.groupBy('product')\
.agg((F.count(F.col("Sales").isNotNull()).alias("sales_count"))).show()
# product | sales_count
# phone | 1
# tv | 3
第三个,我得到错误:
df.groupBy('product')\
.agg((F.col("Sales").isNotNull().count()).alias("sales_count")).show()
类型错误:“列”对象不可调用
第二种和第三种方法可能会出现什么错误?
您的第一次尝试是在进行聚合之前过滤掉
null
列中带有 Sales
的行。因此它会给你正确的结果。
但是使用第二个代码
df.groupBy('product') \
.agg((F.count(F.col("Sales").isNotNull()).alias("sales_count"))).show()
您还没有
filtered
并在整个数据集上执行 aggregation
。如果您仔细分析,F.col("Sales").isNotNull()
将为您提供boolean列,即true
和false
。因此 F.count(F.col("Sales").isNotNull())
只是计算分组数据集中的 boolean 值,如果您创建如下所示的新列,则这一点很明显。
df.withColumn("isNotNull", F.col("Sales").isNotNull()).show()
这会给你
+-----+----------+-------+---------+
|Sales| date|product|isNotNull|
+-----+----------+-------+---------+
| 125|2012-10-10| tv| true|
| 20|2012-10-10| phone| true|
| 40|2012-10-10| tv| true|
| null|2012-10-10| tv| false|
+-----+----------+-------+---------+
所以第二次尝试的计数是正确的。
对于您的第三次尝试,
.count()
是一个不能在聚合转换中使用的操作。 只有返回 Column
dataType 的函数才能在 .agg()
中使用,它们可以是内置函数、UDF 或您自己的函数。
有一个更简单的方法:
>>> df.groupBy("product").agg({"Sales":"count"}).show()
+-------+------------+
|product|count(Sales)|
+-------+------------+
| phone| 1|
| tv| 2|
+-------+------------+
计算非空值
仅适用于每个字符串和数字列:
df.summary("count").show()
# +-------+-----+----+-------+
# |summary|Sales|date|product|
# +-------+-----+----+-------+
# | count| 3| 4| 4|
# +-------+-----+----+-------+
对于任何类型的每一列:
df.agg(*[F.count(c).alias(c) for c in df.columns]).show()
# +-----+----+-------+
# |Sales|date|product|
# +-----+----+-------+
# | 3| 4| 4|
# +-----+----+-------+
查看 countIf() 函数。在函数内放置您的条件,例如:
df.select(count_if(col("销售").isNotNull()).show()