我正在 Spark 上使用 Pandas。我需要对 A 和 B 进行分组,然后聚合以返回一个映射列表,其中键是 C,值是 D 输入示例:
A B C D
0 7 201806851 0006378110 2223982011
1 7 6378110 0006378110 2223982011
2 7 201806851 201806851 20972475011
3 7 6378110 201806851 20972475011
输出示例:
A B C
0 7 6378110 [[0006378110, 2223982011], [201806851, 20972475011]]
1 7 201806851 [[0006378110, 2223982011], [201806851, 20972475011]]
这是我的代码。它在第一行给出错误,
assert len(key) == len(that_column_labels) AssertionError
。有什么想法吗?
seed_data["C"] = seed_data[["C", "D"]].to_dict('records')
seed_data = (seed_data
.groupby(["A", "B"])["C"]
.apply(list).reset_index(name="C"))
尝试了一些事情,例如将 C 列和 D 列提取到单独的数据框中,转换为 dict,然后将其用作聚合列。但出现断言错误。
可以使用本机 Spark 函数以有效的方式完成此操作。在 pyspark 中,您需要对数据框进行分组,然后收集
c -> D
对的列表
seed_data.groupBy('A', 'B').agg(F.collect_list(F.create_map('C', 'D')).alias('CD'))
+---+---------+--------------------------------------------------------+
|A |B |CD |
+---+---------+--------------------------------------------------------+
|7 |201806851|[{0006378110 -> 2223982011}, {201806851 -> 20972475011}]|
|7 |6378110 |[{0006378110 -> 2223982011}, {201806851 -> 20972475011}]|
+---+---------+--------------------------------------------------------+