python - 根据其他列值(PySpark)从DataFrame获取值

我有一个Spark数据框，我想获取统计数据

stats_df = df.describe(['mycol'])
stats_df.show()

+-------+------------------+
|summary|             mycol|
+-------+------------------+
|  count|               300|
|   mean|              2243|
| stddev|  319.419860456123|
|    min|              1400|
|    max|              3100|
+-------+------------------+

如何使用min max mycol列值提取summary中min和max的值？如何按数字索引进行操作？

最佳答案

好，让我们考虑以下示例：

from pyspark.sql.functions import rand, randn
df = sqlContext.range(1, 1000).toDF('mycol')
df.describe().show()
# +-------+-----------------+
# |summary|            mycol|
# +-------+-----------------+
# |  count|              999|
# |   mean|            500.0|
# | stddev|288.5307609250702|
# |    min|                1|
# |    max|              999|
# +-------+-----------------+

例如，如果要访问有关stddev的行，则只需将其转换为RDD，收集并将其转换为字典，如下所示：

stats = dict(df.describe().map(lambda r : (r.summary,r.mycol)).collect())
print(stats['stddev'])
# 288.5307609250702

关于python - 根据其他列值(PySpark)从DataFrame获取值，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/38602973/