Databricks 第四篇：分組統計和視窗
對資料分析時，通常需要對資料進行分組，並對每個分組進行聚合運算。在一定意義上，視窗也是一種分組統計的方法。
分組資料
DataFrame.groupBy()返回的是GroupedData類，可以對分組資料應用聚合函式、apply()函式和pivot()函式。
常用的聚合函式是：
- count()：統計數量
- mean(*cols), avg(*cols)：計算均值
- max(*cols),min(*cols)：計算最大值和最小值
- sum(*cols)：計算累加和
舉個例子，對DataFrame計算最大的age和height列的值：
df.groupBy().max('age', 'height').collect() 一，聚合函式
對於聚合函式，還可以使用pandas中的函式，這需要使用GroupedData類的agg(*exprs)函式，該函式的作用是計算聚合值，並返回DataFrame物件。
可以用於agg()函式中的聚合函式主要分為兩類：
- 內建的聚合函式：avg, max, min, sum, count
- 分組聚合的pandas UDF：pyspark.sql.functions.pandas_udf()
對於內建的聚合函式，可以通過pyspark.sql.functions來匯入：
gdf = df.groupBy(df.name) from pyspark.sql import functions as F sorted(gdf.agg(F.min(df.age)).collect()) #[Row(name='Alice', min(age)=2), Row(name='Bob', min(age)=5)]
這裡重點介紹如何建立一個pandas UDF，Pandas UDF由Spark使用Arrow來傳輸資料，並通過Pandas對資料進行向量化操作。在建立Pandas UDF時，需要通過pandas_udf作為修飾器或包裝函式。
pyspark.sql.functions.pandas_udf(f=None, returnType=None, functionType=None)
引數註釋：
- f：UDF
- returnType：UDF的返回值型別
- functionType：一個列舉值，它的列舉型別是：pyspark.sql.functions.PandasUDFType，預設值是SCALAR，返回標量值。
舉個例子，建立一個UDF，統計字元的個數。
在修飾器中定義函式的返回值型別是int，引數的模式是接收一個序列，返回一個序列，序列中的元素的資料型別是由修飾器決定的。
import pandas as pd
from pyspark.sql.functions import pandas_udf
@pandas_udf(IntegerType())
def slen(s: pd.Series) -> pd.Series:
return s.str.len()
在定義函式時，顯式指定輸入引數的型別是MyType，函式返回值的型別是str：
# 輸入引數型別提示為MyType，函式返回型別提示為str
def foo(name: MyType) -> str:
return str(name)
二，使用者自定義的pandas函式
pyspark共支援5種UDF的模式，分別表示從形參到返回值的模式
模式1：從DataFrame到DataFrame
@pandas_udf("col1 string, col2 long")
def func(s1: pd.Series, s2: pd.Series, s3: pd.DataFrame) -> pd.DataFrame:
s3['col2'] = s1 + s2.str.len()
return s3
模式2：從Series到Series
@pandas_udf("string")
def to_upper(s: pd.Series) -> pd.Series:
return s.str.upper()
模式3：從Series到Scalar，這種模式就是聚合函式，把多個值按照公式轉換為標量值。
@pandas_udf("double")
def mean_udf(v: pd.Series) -> float:
return v.mean()
模式4：Iterator[pandas.Series] -> Iterator[pandas.Series]
from typing import Iterator
@pandas_udf("long")
def plus_one(iterator: Iterator[pd.Series]) -> Iterator[pd.Series]:
for s in iterator:
yield s + 1
df = spark.createDataFrame(pd.DataFrame([1, 2, 3], columns=["v"]))
df.select(plus_one(df.v)).show()
+-----------+
|plus_one(v)|
+-----------+
| 2|
| 3|
| 4|
+-----------+
模式5：Iterator[Tuple[pandas.Series, …]] -> Iterator[pandas.Series]
from typing import Iterator, Tuple
from pyspark.sql.functions import struct, col
@pandas_udf("long")
def multiply(iterator: Iterator[Tuple[pd.Series, pd.DataFrame]]) -> Iterator[pd.Series]:
for s1, df in iterator:
yield s1 * df.v
df = spark.createDataFrame(pd.DataFrame([1, 2, 3], columns=["v"]))
df.withColumn('output', multiply(col("v"), struct(col("v")))).show()
+---+------+
| v|output|
+---+------+
| 1| 1|
| 2| 4|
| 3| 9|
+---+------+
三，apply(udf)函式和applyInPandas(func, schema)
apply()和applyInPandas()函式的作用是：對每個分組應用函式，計算每個分組的聚合值。
apply(udf)函式使用 pyspark.sql.functions.pandas_udf() 作為引數，applyInPandas(func, schema)函式使用python 原生函式作為引數。
例如，apply()函式使用pandas_udf作為引數：
from pyspark.sql.functions import pandas_udf, PandasUDFType
df = spark.createDataFrame(
[(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],
("id", "v"))
@pandas_udf("id long, v double", PandasUDFType.GROUPED_MAP)
def normalize(pdf):
v = pdf.v
return pdf.assign(v=(v - v.mean()) / v.std())
df.groupby("id").apply(normalize).show()
+---+-------------------+
| id| v|
+---+-------------------+
| 1|-0.7071067811865475|
| 1| 0.7071067811865475|
| 2|-0.8320502943378437|
| 2|-0.2773500981126146|
| 2| 1.1094003924504583|
+---+-------------------+
例如，applyInPandas()使用python 原生的函式作為引數：
import pandas as pd
from pyspark.sql.functions import pandas_udf, ceil
df = spark.createDataFrame(
[(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],
("id", "v"))
def normalize(pdf):
v = pdf.v
return pdf.assign(v=(v - v.mean()) / v.std())
df.groupby("id").applyInPandas(
normalize, schema="id long, v double").show()
+---+-------------------+
| id| v|
+---+-------------------+
| 1|-0.7071067811865475|
| 1| 0.7071067811865475|
| 2|-0.8320502943378437|
| 2|-0.2773500981126146|
| 2| 1.1094003924504583|
+---+-------------------+
四，pivot()函式
從當前的DataFrame種透視一列，並執行指定的聚合操作。
pivot(pivot_col, values=None)
引數註釋：
- pivot_col：指定用於透視的列
- values：被旋轉為列的值列表，該引數如果為None，表示旋轉列的所有值。
舉個例子，按照year進行分組，把course列種的值透視為列，並計算earnings列的累加值：
df4.groupBy("year").pivot("course", ["dotNET", "Java"]).sum("earnings").collect()
#[Row(year=2012, dotNET=15000, Java=20000), Row(year=2013, dotNET=48000, Java=30000)]
df4.groupBy("year").pivot("course").sum("earnings").collect()
#[Row(year=2012, Java=20000, dotNET=15000), Row(year=2013, Java=30000, dotNET=48000)]
視窗函式
用於定義DataFrame的視窗，並對視窗進行計算。在進行視窗移動值，視窗的當前行（currentRow）的位置是0，如果position小於0，表示在當前行之前，如果position大於0，表示在當前行之後。
Window的位置屬性：
Window.unboundedPreceding：視窗的第一行Window.unboundedFollowing：視窗的最後一行Window.currentRow：視窗的當前行
通過視窗函式來建立視窗：
- partitionBy(*cols)：分割槽
- orderBy(*cols)：排序
- rangeBetween(start, end)：start和end是相對於current row的位置，
- rowsBetween(start, end)：start和end是相對於current row的位置，
舉個例子，利用這四個函式來建立視窗：
# ORDER BY date ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW
window = Window.orderBy("date").rowsBetween(Window.unboundedPreceding, Window.currentRow)
# PARTITION BY country ORDER BY date RANGE BETWEEN 3 PRECEDING AND 3 FOLLOWING
window = Window.orderBy("date").partitionBy("country").rangeBetween(-3, 3)
參考文件：
pyspark.sql mo