在 PySpark 中 groupby 之后计算 sum 和 countDistinct

Question

我有一个 PySpark 数据框，想按几列分组，然后计算某些列的总和并计算另一列的不同值。由于countDistinct 不是内置聚合函数，所以我不能使用我在这里尝试过的简单表达式：

sum_cols = ['a', 'b']
count_cols = ['id']
exprs1 = {x: "sum" for x in sum_cols}
exprs2 = {x: "countDistinct" for x in count_cols}
exprs = {**exprs1, **exprs2}

df_aggregated = df.groupby('month','product').agg(exprs)

我也尝试了this answer 中的方法exprs2 = [countDistinct(x) for x in count_cols]，但是当我只为聚合列尝试AssertionError: all exprs should be Column 时收到错误消息。

如何在一个聚合中结合 sum 和 count distinct？我知道，我可以用sum 列和countDistinct 列做一次，然后加入两个数据框，但应该有一个解决方案可以一步完成...

Answer 1

不要使用agg 的字典版本，而是使用带有列列表的版本：

from pyspark.sql import functions as F
df = ...
exprs1 = [F.sum(c) for c in sum_cols]
exprs2 = [F.countDistinct(c) for c in count_cols]

df_aggregated = df.groupby('month_product').agg(*(exprs1+exprs2))

如果你想保持当前的逻辑，你可以切换到approx_count_distinct。与countDistinct 不同，此函数可作为 SQL 函数使用。

Answer 2

不确定为什么必须使用expr，但正常的聚合应该可以工作。 countDistinct 是一个聚合函数。

(df
    .groupBy('month','product')
    .agg(
        F.sum('a', 'b'),
        F.countDistinct('id')
    )
).show()

# +----+-----------+-------------+
# |name|sum(field1)|count(field1)|
# +----+-----------+-------------+
# |   d|          0|            1|
# |   c|         10|            1|
# |   b|          5|            1|
# |   a|          4|            1|
# +----+-----------+-------------+