[英]how to sum CSV file column with spark python
我是 spark 新手,我有一些数据要处理,我想对 CSV 文件中的列的总数求和,即文件的标题:([colmun1],[colmun2],[colmun3]),我要计算的是column3根据column1的总和,(column1 表示日期,column2 表示类别,column3 是该日期类别之一的出现,所以我想计算所有类别的总和每个日期),我试过这个代码:
from pyspark import SparkContext, SparkConf
if __name__ == "__main__":
conf = SparkConf().setAppName("sum").setMaster("local[3]")
sc = SparkContext(conf = conf)
line.split(",")).map(lambda line: (line[0:1]+line[3:4]))
text_file = sc.textFile("in/fileinput.CSV")
counts = text_file.flatMap(lambda line: line.split(",")) \
.map(lambda line: (line[0:1],line[2:3])) \
.reduceByKey(lambda a, b: a + b)
counts.saveAsTextFile("out/fileoutput.txt")
提前谢谢你(原谅我的英语)
请尝试以下步骤以获得所需的结果。
将 CSV 文件作为 Dataframe 读取。
df = spark.read.csv("path_to_csv_file", header=True, inferSchema=True)
根据第 1 列按数据分组。
group_df = df.groupBy("Column_1")
对分组数据取第三列的总和
result_df = group_df.agg(sum("column_3").alias("SUM"))
显示数据 result_df.show()
希望能帮助到你。
注意:有关 CSV 功能的更多信息,请参阅以下链接。 https://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrameReader.csv
问候,
尼拉吉
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.