group-by - 使用用户定义函数聚合 Pyspark 数据帧

Question

如何将“groupby(key).agg(”与用户定义的函数一起使用？具体来说，我需要每个键的所有唯一值的列表[不计数]。

Answer 1

collect_set 和 collect_list(分别用于无序和有序结果)可用于后处理 groupby 结果。从一个简单的 Spark 数据框开始

    df = sqlContext.createDataFrame(
    [('first-neuron', 1, [0.0, 1.0, 2.0]), 
    ('first-neuron', 2, [1.0, 2.0, 3.0, 4.0])], 
    ("neuron_id", "time", "V"))

假设目标是返回每个神经元的 V 列表的最长长度(按名称分组)

    from pyspark.sql import functions as F
    grouped_df = tile_img_df.groupby('neuron_id').agg(F.collect_list('V'))

我们现在已将 V 列表分组为列表列表。因为我们想要最长的长度，所以我们可以跑

    import pyspark.sql.types as sq_types
    len_udf = F.udf(lambda v_list: int(np.max([len(v) in v_list])),
                      returnType = sq_types.IntegerType())
    max_len_df = grouped_df.withColumn('max_len',len_udf('collect_list(V)'))

获取添加了V列表最大长度的max_len列