r - R:sparklyr 中的组(“sum”、“count distinct”、“mean”)
问题描述
我们在工作目录中托管了以下数据:
>library(sparklyr)
>library(dplyr)
>f<-data.frame(category=c("e","EE","W","S","Q","e","Q","S"),
DD=c(33.2,33.2,14.55,12,13.4,45,7,3),
CC=c(2,44,4,44,9,2,2.2,4),
>FF=c("A","A","A","A","A","A","B","A") )
>write.csv(f,"D.csv")##Write in working directory
我们使用 spark 命令从工作目录中读取文件
>sc <- spark_connect(master = "local", spark_home = "/home/tomas/spark-2.1.0-bin-hadoop2.7/", version = "2.1.0")
>df <- spark_read_csv(sc, name = "data", path = "D.csv", header = TRUE, delimiter = ",")
我想得到一个像下面这样的矩阵,其中按“类别”分组,求和DD,计算“CC”的平均值,在“FF”中计数不同
它会保持这样:
category SumDD MeanCC CountDistinctFF
e 78.2 2 1
EE 33.2 44. 1
WW 14.55 4 1
S 15 24 2
Q 20.4 5.6 1
解决方案
为了操作 spark DF,您需要使用 dplyr 函数。在火花环境中,除了最后一个变量之外,Naveen 的答案都可以。而不是unique
你可以尝试n_distinct
从 dplyr
df0=df%>%group_by(category)%>%
summarize(sumDD=sum(DD,na.rm=T),MeanCC=mean(CC,na.rm=T),CountDistinctFF=n_distinct(FF))
要将结果作为 spark DF 检查,您可以使用:
> glimpse(df0)
Observations: ??
Variables: 4
$ category <chr> "e", "EE", "S", "Q", "W"
$ sumDD <dbl> 78.20, 33.20, 15.00, 20.40, 14.55
$ MeanCC <dbl> 2.0, 44.0, 24.0, 5.6, 4.0
$ CountDistinctFF <dbl> 1, 1, 1, 2, 1
或者您可以收集回本地系统并像任何 R 数据框一样进行操作
> df0%>%collect
# A tibble: 5 x 4
category sumDD MeanCC CountDistinctFF
<chr> <dbl> <dbl> <dbl>
1 e 78.2 2 1
2 EE 33.2 44 1
3 S 15 24 1
4 Q 20.4 5.6 2
5 W 14.6 4 1
推荐阅读
- typescript - 打字稿:接口获取属性的默认值
- python-3.x - 使用 django 分配一个简单的 HTML 站点
- django - 成功后如何重定向UpdateView?
- python - python中for循环的问题
- javascript - 机车滚动切换标题 onscroll
- mysql - 如何构造 MySQL 查询以加入排除项
- javascript - framer.motion 动画是即时的,而不是动画
- sql-server - 修剪 SQL Server 中未检测到的空格
- sql-server-2012 - 在嵌入式 SQL 的打开游标中使用主机数组
- angular - VS Code 修复库的导入路径