PySpark按条件计数值

Question

我有一个DataFrame，这里是一个代码段：

[['u1', 1], ['u2', 0]]

基本上是一个字符串字段f，第二个元素（is_fav）为1或0 。

我需要做的是在第一个字段上分组并计算1和0的出现次数。我希望做这样的事情

num_fav = count((col("is_fav") == 1)).alias("num_fav")

num_nonfav = count((col("is_fav") == 0)).alias("num_nonfav")

df.groupBy("f").agg(num_fav, num_nonfav)

它不能正常工作，在两种情况下我都得到相同的结果，该结果等于组中项目的计数，因此似乎忽略了过滤器（无论是1还是0）。这取决于count工作原理吗？

Answer 1

这里没有过滤器。双方col("is_fav") == 1并col("is_fav") == 0)都只是布尔表达式，并count不会真正关心他们的价值，只要它被定义。

您可以通过多种方法来解决此问题，例如，使用simple sum：

from pyspark.sql.functions import sum, abs

gpd = df.groupBy("f")
gpd.agg(
    sum("is_fav").alias("fv"),
    (count("is_fav") - sum("is_fav")).alias("nfv")
)

或将忽略的值设为未定义（也称为NULL）：

exprs = [
    count(when(col("is_fav") == x, True)).alias(c)
    for (x, c) in [(1, "fv"), (0, "nfv")]
]
gpd.agg(*exprs)