[英]Counting by distinct sub-ArrayType elements in PySpark
我有以下JSON結構:
{
"stuff": 1, "some_str": "srt", list_of_stuff": [
{"element_x":1, "element_y":"22x"},
{"element_x":3, "element_y":"23x"}
]
},
{
"stuff": 2, "some_str": "srt2", "list_of_stuff": [
{"element_x":1, "element_y":"22x"},
{"element_x":4, "element_y":"24x"}
]
},
當我將它讀入PySpark DataFrame作為json時:
import pyspark.sql
import json
from pyspark.sql import functions as F
from pyspark.sql.types import *
schema = StructType([
StructField("stuff", IntegerType()),
StructField("some_str", StringType()),
StructField("list_of_stuff", ArrayType(
StructType([
StructField("element_x", IntegerType()),
StructField("element_y", StringType()),
])
))
])
df = spark.read.json("hdfs:///path/file.json/*", schema=schema)
df.show()
我得到以下內容:
+--------+---------+-------------------+
| stuff | some_str| list_of_stuff |
+--------+---------+-------------------+
| 1 | srt | [1,22x], [3,23x] |
| 2 | srt2 | [1,22x], [4,24x] |
+--------+---------+-------------------+
好像PySpark展平了ArrayType的鍵名,盡管我在執行df.printSchema()
時仍然可以看到它們:
root
|-- stuff: integer (nullable = true)
|-- some_str: string (nullable = true)
|-- list_of_stuff: array (nullable = true)
| |-- element: struct (containsNull = true)
| | |-- element_x: integer (nullable = true)
| | |-- element_y: string (nullable = true)
問題:我需要計算DataFrame中element_y
的不同出現次數。 因此,以示例JSON為例,我將獲得以下輸出:
22x: 2, 23x: 1, 24x :1
我不確定如何進入ArrayType並計算子元素element_y
的不同值。 任何幫助表示贊賞。
一種方法是使用rdd
,使用flatMap
flatten
數組,然后計數:
df.rdd.flatMap(lambda r: [x.element_y for x in r['list_of_stuff']]).countByValue()
# defaultdict(<class 'int'>, {'24x': 1, '22x': 2, '23x': 1})
或使用數據幀時, explode
第一列,則可以訪問element_y
每個陣列中; 通過element_y
groupBy
,然后count
應該給出您需要的結果:
import pyspark.sql.functions as F
(df.select(F.explode(df.list_of_stuff).alias('stuff'))
.groupBy(F.col('stuff').element_y.alias('key'))
.count()
.show())
+---+-----+
|key|count|
+---+-----+
|24x| 1|
|22x| 2|
|23x| 1|
+---+-----+
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.