Zeilenweise Aggregation eines PySpark DataFrame

Ich habe einen Pyspark DataFrame, den ich mit einer Funktion, die zeilenweise Operationen ausführt, aggregieren möchte.Zeilenweise Aggregation eines PySpark DataFrame

Ich habe 4 Spalten und für jeden eindeutigen Wert in Spalte AI habe die Zeile-für-Zeile-Aggregation in den Spalten B, C, D

Ich verwende diese Methode zu tun:

erhalten eindeutige Werte in A mit
```
A_uniques = df.select('A').distinct() 
```

def func(x): 
    y = df.filter(df.A==x) 
    y = np.array(y.toPandas()) 
    for i in y.shape[0]: 
     y[i,1] = y[i-1,0] 
     y[i,0] = (y[i,0]+y[i,2])/y[i,3] 
    agg = sum(y[:,1]) 
    return agg

A_uniques.rdd.map(lambda x: (x['A'], func(x['A'])))

ich diese Störung erhalte:

PicklingError: Could not serialize object: Py4JError: An error occurred while calling o64.getnewargs. Trace: py4j.Py4JException: Method getnewargs([]) does not exist at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:318) at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:326) at py4j.Gateway.invoke(Gateway.java:272) at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132) at py4j.commands.CallCommand.execute(CallCommand.java:79) at py4j.GatewayConnection.run(GatewayConnection.java:214) at java.lang.Thread.run(Thread.java:748)

Gibt es eine Lösung numpy Arrays in RDDs zu retten? Oder kann ich diese gesamte Operation auf andere Weise machen?

Quelle

2017-12-19 Ipsit Pradhan

können Sie Beispiel Eingabe und Ausgabe, so dass wir einen anderen Ansatz versuchen können. –

Ich denke, Sie suchen nach 'groupby ('col'). Agg (sum (col2))' –

Das Problem, das Sie haben, ist, dass Sie referenzieren und RDD innerhalb einer RDD-Transformation. Wenn Ihre Aggregation eingebaute Pyspark-Funktionen verwendet, können Sie DataFrame 'groupby (...). Agg (...)' verwenden. Wenn nicht, dann müssen Sie möglicherweise rdd 'groupby' und eine maßgeschneiderte Aggregation verwenden. – ags29

In Pyspark, verwenden Sie groupBy() (in meinem Fall ich gruppiert von 2 Spalten) -Funktion, um eine GroupedDataFrame zu erhalten und die -Funktion Rohr. Siehe das Beispiel unten ...

sqlContext.sql("select * from retail_db.orders").groupBy("order_status", "order_date").agg({"order_customer_id": "sum", "order_id": "count"}).show() 

+---------------+--------------------+----------------------+---------------+ 
| order_status|   order_date|sum(order_customer_id)|count(order_id)| 
+---------------+--------------------+----------------------+---------------+ 
|PENDING_PAYMENT|2013-07-28 00:00:...|    237876|    37| 
|  COMPLETE|2013-08-22 00:00:...|    415843|    64| 
|PENDING_PAYMENT|2013-10-20 00:00:...|    168223|    28| 
|SUSPECTED_FRAUD|2013-11-22 00:00:...|     36354|    6| 
|PENDING_PAYMENT|2013-12-19 00:00:...|    131972|    22| 
|PENDING_PAYMENT|2014-03-12 00:00:...|    352832|    52| 
|  ON_HOLD|2014-03-28 00:00:...|     74970|    13| 
|SUSPECTED_FRAUD|2014-04-14 00:00:...|     18145|    2| 
|  PENDING|2014-04-21 00:00:...|    174419|    26| 
|   CLOSED|2014-06-04 00:00:...|     66677|    10| 
|PENDING_PAYMENT|2014-06-26 00:00:...|    249542|    45| 
|PENDING_PAYMENT|2013-08-17 00:00:...|    405980|    56| 
|   CLOSED|2013-09-10 00:00:...|    164670|    23| 
|SUSPECTED_FRAUD|2013-09-19 00:00:...|     26613|    4| 
|  PENDING|2013-09-26 00:00:...|    176547|    28| 
|  COMPLETE|2013-10-20 00:00:...|    314462|    54| 
|  CANCELED|2013-10-31 00:00:...|     36881|    6| 
|  PROCESSING|2013-11-09 00:00:...|    149164|    23| 
| PAYMENT_REVIEW|2013-11-29 00:00:...|     17368|    3| 
|SUSPECTED_FRAUD|2013-12-11 00:00:...|     45085|    7| 
+---------------+--------------------+----------------------+---------------+ 
only showing top 20 rows

Sie auch grouped_Series_Owner = x_gb["Owner"].apply(list) .apply verwenden können() Funktion für GroupedDataFrame, in this example umgewandelt ich die aggregierten Daten in eine Liste und arbeitete mit ihnen.

Quelle

2017-12-19 11:40:04 CarloV

Die Aggregation-Funktion ist in meinem Fall viel komplizierter und erfordert nummy Array-Operationen. –

'def func (x): y = df.filter (df.A == x) = y np.array (y.toPandas()) #Aggregation eine numpy Array geschieht hier return agg' Ist das deine Agg-Funktion? Verwenden Sie für komplexere Aggregationen RDD [aggregateByKey] (https://spark.apache.org/docs/2.2.1/api/python/pyspark.html?highlight=aggregatebykey#pypspark.RDD.aggregateByKey) – CarloV

Verwenden Sie agg mit benutzerdefinierten Funktionen [siehe diese] (https://stackoverflow.com/questions/35989558/pyspark-custom-function-in-aggregation-on-grouped-data). – CarloV

Zeilenweise Aggregation eines PySpark DataFrame

Antwort

Verwandte Themen