spark limg如何进行数据聚合-乐工具技术知识

在Spark中，可以使用groupBy和agg函数进行数据聚合。以下是一些常见的聚合操作：

COUNT：计算每个分组中的行数。

from pyspark.sql.functions import count

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(count("*"))

SUM：计算每个分组中的列值之和。

from pyspark.sql.functions import sum

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(sum("column_name"))

AVG：计算每个分组中的列值平均值。

from pyspark.sql.functions import avg

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(avg("column_name"))

MAX：计算每个分组中的列值最大值。

from pyspark.sql.functions import max

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(max("column_name"))

MIN：计算每个分组中的列值最小值。

from pyspark.sql.functions import min

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(min("column_name"))

COUNT DISTINCT：计算每个分组中不同列值的数量。

from pyspark.sql.functions import countDistinct

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(countDistinct("column_name"))

这些示例仅展示了基本的聚合操作。你还可以使用agg函数与多个聚合函数一起使用，例如：

from pyspark.sql.functions import sum, avg, count

# 假设有一个名为df的DataFrame，其中有一个名为"column_name"的列
aggregated_df = df.groupBy("column_name").agg(
    sum("column_name"),
    avg("column_name"),
    count("*")
)

此外，你还可以使用groupBy函数的多个参数进行更复杂的聚合操作，例如：

# 假设有一个名为df的DataFrame，其中有两个名为"column1"和"column2"的列
aggregated_df = df.groupBy("column1", "column2").agg(
    sum("column_name"),
    avg("column_name"),
    count("*")
)