matrix - Pyspark：按列加权平均

Question

例如，我有一个这样的数据集

test = spark.createDataFrame([
    (0, 1, 5, "2018-06-03", "Region A"),
    (1, 1, 2, "2018-06-04", "Region B"),
    (2, 2, 1, "2018-06-03", "Region B"),
    (3, 3, 1, "2018-06-01", "Region A"),
    (3, 1, 3, "2018-06-05", "Region A"),
])\
  .toDF("orderid", "customerid", "price", "transactiondate", "location")
test.show()

我可以通过以下方式获得客户区域订单计数矩阵

overall_stat = test.groupBy("customerid").agg(count("orderid"))\
  .withColumnRenamed("count(orderid)", "overall_count")
temp_result = test.groupBy("customerid").pivot("location").agg(count("orderid")).na.fill(0).join(overall_stat, ["customerid"])

for field in temp_result.schema.fields:
    if str(field.name) not in ['customerid', "overall_count", "overall_amount"]:
        name = str(field.name)
        temp_result = temp_result.withColumn(name, col(name)/col("overall_count"))
temp_result.show()

数据看起来像这样

现在，我想通过 计算加权平均值，overall_count我该怎么做？

结果应该是(0.66*3+1*1)/4区域 A 和(0.33*3+1*1)/4区域 B

---

我的想法：

当然可以通过将数据转成python/pandas然后做一些计算来实现，但是在什么情况下我们应该使用Pyspark呢？

我可以得到类似的东西

temp_result.agg(sum(col("Region A") * col("overall_count")), sum(col("Region B")*col("overall_count"))).show()

但感觉不太对劲，尤其是如果region要数很多 s 的话。

标签： matrixpysparkapache-spark-sql

Answer 1

您可以通过将上述步骤分成多个阶段来实现加权平均。

考虑以下：

Dataframe Name: sales_table
[ total_sales, count_of_orders, location]
[     50     ,       9        ,    A    ]
[     80     ,       4        ,    A    ]
[     90     ,       7        ,    A    ]

计算上述（70）的分组加权平均值分为两个步骤：

1. 乘以sales_importance
2. 聚合sales_x_count产品
3. 除以sales_x_count原来的总和

如果我们在 PySpark 代码中将上述内容分成几个阶段，您可以获得以下内容：

new_sales = sales_table \
    .withColumn("sales_x_count", col("total_sales") * col("count_orders")) \
    .groupBy("Location") \
    .agg(sf.sum("total_sales").alias("sum_total_sales"), \
         sf.sum("sales_x_count").alias("sum_sales_x_count")) \
    .withColumn("count_weighted_average", col("sum_sales_x_count") / col("sum_total_sales"))

所以......这里真的不需要花哨的UDF（并且可能会减慢你的速度）。