从pyspark数据框中获取多个(100+)列的空计数,最小值和最大值的最佳方法 [英] Best way to get null counts, min and max values of multiple (100+) columns from a pyspark dataframe

查看:79
本文介绍了从pyspark数据框中获取多个(100+)列的空计数,最小值和最大值的最佳方法的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!

问题描述

说我有一个列名列表,它们都存在于数据框中

Say I have a list of column names and they all exist in the dataframe

Cols = ['A', 'B', 'C', 'D'],

我正在寻找一种获取表/数据框之类的快速方法

I am looking for a quick way to get a table/dataframe like

     NA_counts min     max
A        5      0      100
B        10     0      120
C        8      1      99
D        2      0      500

TIA

推荐答案

您可以分别计算每个指标,然后像这样合并所有指标:

You can calculate each metric separately and then union all like this:

nulls_cols = [sum(when(col(c).isNull(), lit(1)).otherwise(lit(0))).alias(c) for c in cols]
max_cols = [max(col(c)).alias(c) for c in cols]
min_cols = [min(col(c)).alias(c) for c in cols]

nulls_df = df.select(lit("NA_counts").alias("count"), *nulls_cols)
max_df = df.select(lit("Max").alias("count"), *max_cols)
min_df = df.select(lit("Min").alias("count"), *min_cols)

nulls_df.unionAll(max_df).unionAll(min_df).show()

输出示例:

+---------+---+---+----+----+
|    count|  A|  B|   C|   D|
+---------+---+---+----+----+
|NA_counts|  1|  0|   3|   1|
|      Max|  9|  5|Test|2017|
|      Min|  1|  0|Test|2010|
+---------+---+---+----+----+

这篇关于从pyspark数据框中获取多个(100+)列的空计数,最小值和最大值的最佳方法的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!

查看全文
登录 关闭
扫码关注1秒登录
发送“验证码”获取 | 15天全站免登陆