pyspark的dataframe的单条件、多条件groupBy用法agg

智能搜索引擎 实战中用到的pyspark知识点总结

项目中，先配置了spark，通过spark对象连接到hive数据库，在 hive数据库中以dataframe的形式获取数据，使用pyspark的dataframe的相关方法操作数据，最后将整理好的数据写入hive表存入数据库，该篇介绍项目中使用到的groupBy，agg的相关方法。

sum和udf方法计算平均得分

数据介绍：主播表，一个主播有很多直播课，每个直播课都有一个总评分和评分人数，现要计算出该主播的平均得分。

思路：单个主播的所有的直播课的分数全部加起来，除以所有直播课的共同的评分人数。

from pyspark.sql.types import DoubleType
from pyspark.sql.functions import udf
def Spark():
	"""
	spark配置类
	"""
sp = Spark()
spark = sp.spark

df = spark.sql("select anchor_id,live_score,live_comment_count from table_anchor")
df = df.groupBy('anchor_id')
	   .agg({"live_score": "sum", "live_comment_count": "sum"})
	   .withColumnRenamed("sum(live_score)", "total_score")
	   .withColumnRenamed("sum(live_comment_count)", "total_people")

现在就获得了两列 总分数和总人数
使用udf方法自定义函数即可求的平均分

def avg_score(score,people):
	try:
		if int(people) != 0:
			return int(score)/int(people)
		else:
		return 0
	except:
		return 0
	
func = udf(avg_score,DoubleType())
df = df.withColumn("score", func(df.total_score,df.total_people))
df = df.select("anchor_id","score")  # 选择ID和分数两列即可存表

avg方法计算平均得分

数据介绍：有一个课程评分的记录表，表项为课程ID，用户ID，该用户对课程的评分，现计算该课程的平均评分

思路：使用 avg方法直接计算。

df = spark.sql("select course_id,score from table_course")
df = df.groupBy("course_id")
       .agg({"score": "avg"})
       .withColumnRenamed("avg(score)", "avg_score")
df = df.select("course_id","avg_score")

获取course_id 和avg_score 之后即可存表 注：spark为上一节中spark

count方法计算资源个数

数据介绍：有一个课程评分的记录表，表项为课程ID，用户ID，该用户对课程的评论，现计算该课程有多少人评论

df = spark.sql("select course_id,comment from table_course")
df = df.groupBy("course_id")
       .agg({"comment": "count"})
       .withColumnRenamed("count(comment)", "comment_count")
df = df.select("course_id","comment_count")

获取course_id 和comment_count 之后即可存表 注：spark为第一节中spark

collect_list() 将groupBy 的数据处理成列表

数据介绍：有一个课程评分的记录表，表项为课程ID，用户ID，该用户对课程的评论，现将用户评论放在列表中，便于后续处理

from pyspark.sql.functions import collect_list
df = spark.sql("select course_id,comment from table_course")
df = df.groupBy("course_id")
       .agg(collect_list("comment"))
       .withColumnRenamed("collect_list(comment)", "comment_list")
df = df.select("course_id","comment_list")

获取course_id 和comment_list 之后即可存表,或者对comment_list使用udf自定义函数，将数据组拼接成字符串。 注：spark为第一节中spark, 注意import包

max取最大值min取最小值

数据介绍：供应商发布课程表，供应商发布了很多课程，发布的每个课程都有发布时间，在数据库中是timestamp类型，数据表中表项为org_id, course_id, publish_date,现要获取供应商发布课程的最新时间作为该供应商的最新活跃时间。

思路：timestamp类型的数据也可使用max

df = spark.sql("select org_id,course_id,publish_date from org_table")
df = df.groupBy("org_id")
       .agg({"publish_date": "max"})
       .withColumnRenamed("max(publish_date)", "active_time")
df = df.select("org_id","active_time")

获取org_id 和active_time 之后即可存表。 注：spark为第一节中spark

多条件groupBy求和sum

数据介绍：一张企业表，企业下有很多职位，不同的企业可能有相同的职位，基于每个企业下的每个职位，统计了该职位某个热搜词被检索的次数，现需要根据职位类别统计各个热搜词被检索的总次数。

企业ID	职位ID	热搜词	该热搜词被检索次数
org_id	pos_id	word	word_count
A1	pos001	保险金融	1
A1	pos002	保险金融	2
A1	pos003	保险金融	3
A1	pos004	保险金融	4
A2	pos001	保险金融	5
A2	pos001	教育	6
A2	pos003	保险金融	7
A2	pos003	智能	8

思路：

df = spark.sql("select pos_id,word,word_count from org_table")
df = df.groupBy("pos_id","word")
       .agg({"word_count": "sum"})
       .withColumnRenamed("sum(word_count)", "total_count")
df = df.select("pos_id","word","total_count")

根据职位类别ID和热搜词两个条件聚合数据，将相同职位ID和相同热搜词的表项聚合在一起，将聚合在一起的词频累加。 注：spark为第一节中spark

结果：

职位ID	热搜词	该热搜词被检索次数
pos_id	word	word_count
pos001	保险金融	6
pos002	保险金融	2
pos003	保险金融	10
pos004	保险金融	4
pos001	教育	6
pos003	智能	8

此时如若需要对某个职位下的所有的热搜词按频率排序，然后只保留top5，则后续工作可以使用udf自定义函数的方法，将词和词频整合成字典或者列表，然后按照pos_id聚合再一起，用sorted按词频排序。

本文部分知识点参考链接