代码之家 › 专栏 › 技术社区 › Shankar Panda

pyspark-如何使用pyspark计算每个字段的最小值和最大值?

pyspark-sql apache-spark-sql pyspark apache-spark python-3.x

-1

Shankar Panda · 技术社区 · 6 年前

我试图找到sql语句生成的每个字段的最小值和最大值,并将其写入csv文件。我正试图以低于时尚的方式得到结果。你能帮忙吗?我已经用python编写过了,但是现在试图将它转换成pyspark,以便直接在hadoop集群中运行。

from pyspark.sql.functions import max, min, mean, stddev
from pyspark import SparkContext
sc =SparkContext()
from pyspark.sql import HiveContext
hive_context = HiveContext(sc)
#bank = hive_context.table("cip_utilities.file_upload_temp")
data=hive_context.sql("select * from cip_utilities.cdm_variables_dict")
hive_context.sql("describe cip_utilities.cdm_variables_dict").registerTempTable("schema_def")
temp_data=hive_context.sql("select * from schema_def")
temp_data.show()
data1=hive_context.sql("select col_name from schema_def where data_type<>'string'")
colum_names_as_python_list_of_rows = data1.collect()
#data1.show()
for line in colum_names_as_python_list_of_rows:
        #print value in MyCol1 for each row                
        ---Here i need to calculate min, max, mean etc for this particular field send by the for loop

1 回复 | 直到 6 年前

1

4

Neeraj Bhadani 6 年前

可以使用不同的函数来查找最小值和最大值。下面是使用 agg 功能。

from pyspark.sql.functions import *
df = spark.table("HIVE_DB.HIVE_TABLE")
df.agg(min(col("col_1")), max(col("col_1")), min(col("col_2")), max(col("col_2"))).show()

但是,您也可以探索 describe 和 summary (2.3版以后)函数,用于获取数据帧中各列的基本统计信息。

希望这有帮助。

当做,

尼拉杰