如何从pyspark的数据框列中获取第一个值和最后一个值？

Question

我有数据帧，我想从数据帧列中获取第一个值和最后一个值。

+----+-----+--------------------+
|test|count|             support|
+----+-----+--------------------+
|   A|    5| 0.23809523809523808|
|   B|    5| 0.23809523809523808|
|   C|    4| 0.19047619047619047|
|   G|    2| 0.09523809523809523|
|   K|    2| 0.09523809523809523|
|   D|    1|0.047619047619047616|
+----+-----+--------------------+

期望输出首先来自支持列，最后一个值即x=[0.23809523809523808,0.047619047619047616.]

Answer 1

您可以使用collect但性能会很糟糕，因为驱动程序将收集所有数据，只是为了保留第一个和最后一个项目。 更糟糕的是，如果你有一个大数据帧，它很可能会导致 OOM 错误，因此根本不起作用。

另一个想法是将agg与第first和last聚合函数一起使用。 这不起作用！ （因为reducers不一定按照dataframe的顺序获取记录）

Spark 提供了一个head函数，这使得获取第一个元素非常容易。 但是，spark 不提供任何last功能。 一种直接的方法是将数据帧向后排序并再次使用head函数。

first=df.head().support
import pyspark.sql.functions as F
last=df.orderBy(F.monotonically_increasing_id().desc()).head().support

最后，由于仅仅为了获取第一个和最后一个元素而对数据帧进行排序是一种耻辱，我们可以使用 RDD API 和zipWithIndex来索引数据帧，并且只保留第一个和最后一个元素。

size = df.count()
df.rdd.zipWithIndex()\
  .filter(lambda x : x[1] == 0 or x[1] == size-1)\
  .map(lambda x : x[0].support)\
  .collect()

Answer 2

您可以尝试索引数据框，请参见以下示例：

df = <your dataframe>
first_record = df.collect()[0]
last_record = df.collect()[-1]

编辑：您还必须传递列名。

df = <your dataframe>
first_record = df.collect()[0]['column_name']
last_record = df.collect()[-1]['column_name']

Answer 3

从 3.0.0 版本开始，spark 也有名为.tail() 的DataFrame 函数来获取最后一个值。

这将返回Row对象列表：

last=df.tail(1)[0].support