遍历火花数据框中的列并计算最小值最大值答案

【问题标题】：Iterate across columns in spark dataframe and calculate min max value遍历火花数据框中的列并计算最小值最大值
【发布时间】：2017-07-18 16:02:06
【问题描述】：

我想在我的 Spark 程序中遍历数据框的列并计算最小值和最大值。我是 Spark 和 scala 的新手，一旦在数据帧中获取列，就无法迭代列。

我尝试运行以下代码，但需要将列号传递给它，问题是如何从数据框中获取它并动态传递它并将结果存储在集合中。

val parquetRDD = spark.read.parquet("filename.parquet")

parquetRDD.collect.foreach ({ i => parquetRDD_subset.agg(max(parquetRDD(parquetRDD.columns(2))), min(parquetRDD(parquetRDD.columns(2)))).show()})

感谢您对此的任何帮助。

【问题讨论】：

标签： scala apache-spark apache-spark-sql spark-streaming spark-dataframe

【解决方案1】：

您不应该对行或记录进行迭代。你应该使用聚合函数

import org.apache.spark.sql.functions._
val df = spark.read.parquet("filename.parquet")
val aggCol = col(df.columns(2))
df.agg(min(aggCol), max(aggCol)).show()

首先，当您执行 spark.read.parquet 时，您正在读取数据帧。接下来，我们使用 col 函数定义我们想要处理的列。 col 函数将列名转换为列。您可以改用 df("name") ，其中 name 是列的名称。

agg 函数采用聚合列，因此 min 和 max 是聚合函数，它们采用一列并返回具有聚合值的列。

更新

根据 cmets，目标是为所有列设置最小值和最大值。因此，您可以这样做：

val minColumns = df.columns.map(name => min(col(name)))
val maxColumns = df.columns.map(name => max(col(name)))
val allMinMax = minColumns ++ maxColumns
df.agg(allMinMax.head, allMinMax.tail: _*).show()

你也可以这样做：

df.describe().show()

它为您提供所有列的统计信息，包括 min、max、avg、count 和 stddev

【讨论】：

感谢 Assaf 的回复。但是在 val aggCol = col(df.columns(2)) 中，我们实际上并没有手动传递列号（在这种情况下为 2 ）。有没有一种方法可以动态传递它，这样我就可以在循环中逐个遍历列并生成最小值最大值。谢谢你。
感谢阿萨夫！它确实有帮助，但可以将其写在一个循环中，这样我就不需要手动传递列名。当我在我的问题中说迭代时，我的意思是逐列循环。在下面的示例中，我们有三列，我希望动态选择每一列，计算其最小最大值，而不必手动传递列名。假设 col1、col2、col3 col1 col2 col3 的任何随机值集