PySpark

Question

にいくつかの列を持つGROUPBYから最大値で行を取得する私は

from pyspark.sql.functions import avg, first 

rdd = sc.parallelize(
[ 
(0, "A", 223,"201603", "PORT"), 
(0, "A", 22,"201602", "PORT"), 
(0, "A", 22,"201603", "PORT"), 
(0, "C", 22,"201605", "PORT"), 
(0, "D", 422,"201601", "DOCK"), 
(0, "D", 422,"201602", "DOCK"), 
(0, "C", 422,"201602", "DOCK"), 
(1,"B", 3213,"201602", "DOCK"), 
(1,"A", 3213,"201602", "DOCK"), 
(1,"C", 3213,"201602", "PORT"), 
(1,"B", 3213,"201601", "PORT"), 
(1,"B", 3213,"201611", "PORT"), 
(1,"B", 3213,"201604", "PORT"), 
(3,"D", 3999,"201601", "PORT"), 
(3,"C", 323,"201602", "PORT"), 
(3,"C", 323,"201602", "PORT"), 
(3,"C", 323,"201605", "DOCK"), 
(3,"A", 323,"201602", "DOCK"), 
(2,"C", 2321,"201601", "DOCK"), 
(2,"A", 2321,"201602", "PORT") 
] 
) 
df_data = sqlContext.createDataFrame(rdd, ["id","type", "cost", "date", "ship"]) 

に似たデータフレームを持っていると私はidとtypeにより集約し、グループごとにshipの最高発生を取得する必要があります。例えば、

grouped = df_data.groupby('id','type', 'ship').count() 

は、各グループの回数を持つ列があります。

+---+----+----+-----+ 
| id|type|ship|count| 
+---+----+----+-----+ 
| 3| A|DOCK| 1| 
| 0| D|DOCK| 2| 
| 3| C|PORT| 2| 
| 0| A|PORT| 3| 
| 1| A|DOCK| 1| 
| 1| B|PORT| 3| 
| 3| C|DOCK| 1| 
| 3| D|PORT| 1| 
| 1| B|DOCK| 1| 
| 1| C|PORT| 1| 
| 2| C|DOCK| 1| 
| 0| C|PORT| 1| 
| 0| C|DOCK| 1| 
| 2| A|PORT| 1| 
+---+----+----+-----+ 

をし、私は

の組み合わせを使用しようとした

+---+----+----+-----+ 
| id|type|ship|count| 
+---+----+----+-----+ 
| 0| D|DOCK| 2| 
| 0| A|PORT| 3| 
| 1| A|DOCK| 1| 
| 1| B|PORT| 3| 
| 2| C|DOCK| 1| 
| 2| A|PORT| 1| 
| 3| C|PORT| 2| 
| 3| A|DOCK| 1| 
+---+----+----+-----+ 

を取得する必要があります

grouped.groupby('id', 'type', 'ship')\ 
.agg({'count':'max'}).orderBy('max(count)', ascending=False).\ 
groupby('id', 'type', 'ship').agg({'ship':'first'}) 

ただし、失敗します。グループのカウントから最大の行を取得する方法はありますか？パンダで

このonelinerが仕事をしていません：あなたの期待出力に基づいて

df_pd = df_data.toPandas() 
df_pd_t = df_pd[df_pd['count'] == df_pd.groupby(['id','type', ])['count'].transform(max)] 

Answer 1

、あなたが唯一のidとshipによってグループ化されているようです - あなたはすでにgroupedで異なる値を持っているので - その結果、重複した要素をドロップid,shipおよびcountに基づいて、typeでソートされています。 【スパークデータフレームのグループごとの最大行を検索]の

from pyspark.sql.window import Window 
from pyspark.sql.functions import rank, col 

window = (Window 
      .partitionBy(grouped['id'], 
         grouped['ship']) 
      .orderBy(grouped['count'].desc(), grouped['type'])) 


(grouped 
.select('*', rank() 
     .over(window) 
     .alias('rank')) 
    .filter(col('rank') == 1) 
    .orderBy(col('id')) 
    .dropDuplicates(['id', 'ship', 'count']) 
    .drop('rank') 
    .show()) 
+---+----+----+-----+ 
| id|type|ship|count| 
+---+----+----+-----+ 
| 0| D|DOCK| 2| 
| 0| A|PORT| 3| 
| 1| A|DOCK| 1| 
| 1| B|PORT| 3| 
| 2| C|DOCK| 1| 
| 2| A|PORT| 1| 
| 3| A|DOCK| 1| 
| 3| C|PORT| 2| 
+---+----+----+-----+