Calculer les valeurs de deux dataframes dans PySpark

Création de l'ensemble de données

from pyspark.sql.window import Window
df = df.groupBy("card_scheme", "failed").agg(sum("count"))\
  .withColumn("X", col("sum(count)")/sum("sum(count)").over(Window.partitionBy(col('card_scheme'))))\
  .where(col('failed')== False).drop('failed','sum(count)')
df.show()

+----------------+------------------+
|     card_scheme|                 X|
+----------------+------------------+
|            VISA|               1.0|
|             jcb|               1.0|
|      MASTERCARD|               1.0|
|         maestro|               1.0|
|            AMEX|               1.0|
|      mastercard|0.9732717137548239|
|american express|               1.0|
|              CB|               1.0|
|        discover|               1.0|
|            visa|0.9846120283294506|
+----------------+------------------+

Méthode 1: Cette méthode sera plus lente, car elle implique une transposition via pivot.

df=df.groupBy("card_Scheme").pivot("failed").sum("count")
df=df.withColumn('X',when((col('True').isNotNull()),(col('false')/(col('false')+col('true')))).otherwise(1))
df=df.select('card_Scheme','X')
df.show()
+----------------+------------------+
|     card_Scheme|                 X|
+----------------+------------------+
|            VISA|               1.0|
|             jcb|               1.0|
|      MASTERCARD|               1.0|
|         maestro|               1.0|
|            AMEX|               1.0|
|      mastercard|0.9732717137548239|
|american express|               1.0|
|              CB|               1.0|
|        discover|               1.0|
|            visa|0.9846120283294506|
+----------------+------------------+

Méthode 2: Utilisez SQL - vous pouvez le faire via les fenêtres fonction. Ce sera beaucoup plus rapide.

myValues = [('jcb',False,4),('american express', False, 22084),('AMEX',False,4),('mastercard',True,1122),('visa',True,1975),('visa',False,126372),('CB',False,6),('discover',False,2219),('maestro',False,2),('VISA',False,13),('mastercard',False,40856),('MASTERCARD',False,9)]
df = sqlContext.createDataFrame(myValues,['card_Scheme','failed','count'])
df.show()
+----------------+------+------+
|     card_Scheme|failed| count|
+----------------+------+------+
|             jcb| false|     4|
|american express| false| 22084|
|            AMEX| false|     4|
|      mastercard|  true|  1122|
|            visa|  true|  1975|
|            visa| false|126372|
|              CB| false|     6|
|        discover| false|  2219|
|         maestro| false|     2|
|            VISA| false|    13|
|      mastercard| false| 40856|
|      MASTERCARD| false|     9|
+----------------+------+------+

data.groupBy ("card_scheme"). pivot ("failed"). agg (count ("card_scheme")) devrait fonctionner. Je ne suis pas sûr de la agg (count (any_column)) , mais l'indice est la fonction pivot . En conséquence, vous obtiendrez deux nouvelles colonnes: false et true . Ensuite, vous pouvez facilement calculer le x = false / (false + true) .

Une solution simple serait de faire un deuxième groupby:

val grouped_df = data.groupBy("card_scheme", "failed").count() // your dataframe
val with_countFalse = grouped_df.withColumn("countfalse", when($"failed" === "false", $"count").otherwise(lit(0)))
with_countFalse.groupBy("card_scheme").agg(when($"failed" === "false", $"count").otherwise(lit(0)))) / sum($"count")).show()

L'idée est que vous pouvez créer une deuxième colonne dont l'échec a échoué = false et 0 sinon. Cela signifie que la somme de la colonne count vous donne false + true tandis que la somme du countfalse donne juste le false. Ensuite, faites simplement un deuxième groupe par

Remarque: Certaines des autres réponses utilisent pivot. Je pense que la solution de pivot serait plus lente (elle fait plus), cependant, si vous choisissez de l'utiliser, ajoutez les valeurs spécifiques à l'appel de pivot, c'est-à-dire pivot ("failed", ["true", "false"]) pour améliorer les performances, sinon spark devrait faire deux chemins (le premier pour trouver les valeurs)

c.withColumn('X', c.num/c.den)

Commencez par diviser le dataframe racine en deux dataframes:

from pyspark.sql.functions import col,when
df_result = df_true.join(df_false,df_true.card_scheme == df_false.card_scheme, "outer") \
    .select(when(col("df1.card_scheme").isNotNull(), col("df1.card_scheme")).otherwise(col("df2.card_scheme")).alias("card_scheme") \
            , when(col("df1.failed").isNotNull(), (col("df2.count")/(col("df1.count") + col("df2.count")))).otherwise(1).alias("X"))

Ensuite, en effectuant une jointure externe complète, nous pouvons obtenir le résultat final:

df_true = data.filter(data.failed == True).alias("df1")
df_false =data.filter(data.failed == False).alias("df2")

Pas besoin pour faire groupby , juste deux dataframes supplémentaires et rejoindre.