我有一个数据框,看起来像:
A B C
---------------
A1 B1 0.8
A1 B2 0.55
A1 B3 0.43
A2 B1 0.7
A2 B2 0.5
A2 B3 0.5
A3 B1 0.2
A3 B2 0.3
A3 B3 0.4
如何将“ C”列转换为每列A的相对排名(较高分数->较好排名)?预期产量:
A B Rank
---------------
A1 B1 1
A1 B2 2
A1 B3 3
A2 B1 1
A2 B2 2
A2 B3 2
A3 B1 3
A3 B2 2
A3 B3 1
我要达到的最终状态是汇总B列并存储每个A的排名:
例:
B Ranks
B1 [1,1,3]
B2 [2,2,2]
B3 [3,2,1]
最佳答案
添加等级:
from pyspark.sql.functions import *
from pyspark.sql.window import Window
ranked = df.withColumn(
"rank", dense_rank().over(Window.partitionBy("A").orderBy(desc("C"))))
通过...分组:
grouped = ranked.groupBy("B").agg(collect_list(struct("A", "rank")).alias("tmp"))
排序并选择:
grouped.select("B", sort_array("tmp")["rank"].alias("ranks"))
在Spark 2.1.0上进行了测试。
关于apache-spark - 使用pyspark分组,排序和汇总Spark数据框架,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/41661068/