PySpark 中的 Groupby 和 UDF/UDAF，同时保持 DataFrame 结构

Question

我是 PySpark 的新手，正在努力处理简单的数据帧操作。 我有一个类似于以下内容的数据框：

product    period     rating   product_Desc1   product_Desc2 ..... more columns 
a            1         60          foo              xx
a            2         70          foo              xx
a            3         59          foo              xx
b            1         50          bar              yy
b            2         55          bar              yy
c            1         90          foo bar          xy
c            2         100         foo bar          xy

我想按产品分组，添加列来计算评级的算术、几何和调和平均值，同时还维护数据框中的其余列，这些列在每个产品中都是一致的。

我尝试结合使用内置函数和 UDF 来做到这一点。 例如：

a_means = df.groupBy("product").agg(mean("rating").alias("a_mean")
g_means = df.groupBy("product").agg(udf_gmean("rating").alias("g_mean")

在哪里：

def g_mean(x):
  gm = reduce(mul,x)**(1/len(x))
  return gm

udf_gmean = udf(g_mean, FloatType())

然后，我会将 a_means 和 g_means 输出与产品上的原始数据帧连接起来，并删除重复项。 但是，对于 g_means，此方法返回错误，指出 groupBy 中不涉及“rating”，也不是用户定义的聚合函数....

我也尝试过使用 SciPy 的 gmean 模块，但我收到的错误消息指出 ufunc 'log' 不适合输入类型，尽管就我所见，所有评级列都是整数类型。

网站上有类似的问题，但我找不到任何似乎可以解决我遇到的问题的问题。 我真的很感激帮助，因为它让我发疯！

提前致谢，如果我没有提供足够的信息，我今天应该能够快速提供任何进一步的信息。

值得注意的是，为了提高效率，我无法像使用 Pandas 数据框那样简单地转换为 Pandas 并进行转换……而且我使用的是 Spark 2.2 并且无法更新！

Answer 1

这样的事情怎么样

from pyspark.sql.functions import avg
df1 = df.select("product","rating").rdd.map(lambda x: (x[0],(1.0,x[1]*1.0))).reduceByKey(lambda x,y: (x[0]+y[0], x[1]*y[1])).toDF(['product', 'g_mean'])
gdf = df1.select(df1['product'],pow(df1['g_mean._2'],1.0/df1['g_mean._1']).alias("rating_g_mean"))
display(gdf)

+-------+-----------------+
|product|    rating_g_mean|
+-------+-----------------+
|      a|62.81071936240795|
|      b|52.44044240850758|
|      c|94.86832980505137|
+-------+-----------------+


df1 = df.withColumn("h_mean", 1.0/df["rating"])
hdf = df1.groupBy("product").agg(avg(df1["rating"]).alias("rating_mean"), (1.0/avg(df1["h_mean"])).alias("rating_h_mean"))
sdf = hdf.join(gdf, ['product'])
display(sdf)

+-------+-----------+-----------------+-----------------+
|product|rating_mean|    rating_h_mean|    rating_g_mean|
+-------+-----------+-----------------+-----------------+
|      a|       63.0|62.62847514743051|62.81071936240795|
|      b|       52.5|52.38095238095239|52.44044240850758|
|      c|       95.0|94.73684210526315|94.86832980505137|
+-------+-----------+-----------------+-----------------+


fdf = df.join(sdf, ['product'])
display(fdf.sort("product"))


+-------+------+------+-------------+-------------+-----------+-----------------+-----------------+
|product|period|rating|product_Desc1|product_Desc2|rating_mean|    rating_h_mean|    rating_g_mean|
+-------+------+------+-------------+-------------+-----------+-----------------+-----------------+
|      a|     3|    59|          foo|           xx|       63.0|62.62847514743051|62.81071936240795|
|      a|     2|    70|          foo|           xx|       63.0|62.62847514743051|62.81071936240795|
|      a|     1|    60|          foo|           xx|       63.0|62.62847514743051|62.81071936240795|
|      b|     2|    55|          bar|           yy|       52.5|52.38095238095239|52.44044240850758|
|      b|     1|    50|          bar|           yy|       52.5|52.38095238095239|52.44044240850758|
|      c|     2|   100|      foo bar|           xy|       95.0|94.73684210526315|94.86832980505137|
|      c|     1|    90|      foo bar|           xy|       95.0|94.73684210526315|94.86832980505137|
+-------+------+------+-------------+-------------+-----------+-----------------+-----------------+

Answer 2

比上面使用gapply稍微简单的方法：

from spark_sklearn.group_apply import gapply
from scipy.stats.mstats import gmean
import pandas as pd

def g_mean(_, vals):
    gm = gmean(vals["rating"])
    return pd.DataFrame(data=[gm])

geoSchema = StructType().add("geo_mean", FloatType())

gMeans = gapply(df.groupby("product"), g_mean, geoSchema)

这将返回一个数据帧，然后可以使用以下方法对其进行排序并连接到原始数据上：

df_withGeo = df.join(gMeans, ["product"])

并为要添加到原始 DataFrame 的任何聚合类型函数列重复该过程...