简介
PySpark在DataFrame API中定义了内置的标准聚合(Aggregate)函数，当我们需要对DataFrame的列进行聚合操作时候，这些函数就可以派上用场。聚合函数是对一系列行进行相应操作，然后返回对这些行进行相应操作后的单一计算结果，即这些函数返回的一般是一个值。
这些聚合函数一般接受以字符串形式的列类型或者列名称，以及一些函数特定的其他参数，并且它们的返回值是列的类型。
聚合函数列表
本文将介绍如下聚合函数：
- approx_count_distinct
- avg
- collect_list
- collect_set
- countDistinct
- count
- first
- last
- kurtosis
- max
- min
- mean
- skewness
- stddev
- stddev_samp
- stddev_pop
- sum
- sumDistinct
- variance,var_samp, var_pop
我们先创建一个基本的DataFrame结构，后续所有的聚合操作都是针对此数据集的。
import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.functions import approx_count_distinct,collect_list
from pyspark.sql.functions import collect_set,sum,avg,max,countDistinct,count
from pyspark.sql.functions import first, last, kurtosis, min, mean, skewness
from pyspark.sql.functions import stddev, stddev_samp, stddev_pop, sumDistinct
from pyspark.sql.functions import variance,var_samp, var_pop
spark = SparkSession.builder.appName('SparkByExamples.com').getOrCreate()
simpleData = [("James", "Sales", 3000),
("Michael", "Sales", 4600),
("Robert", "Sales", 4100),
("Maria", "Finance", 3000),
("James", "Sales", 3000),
("Scott", "Finance", 3300),
("Jen", "Finance", 3900),
("Jeff", "Marketing", 3000),
("Kumar", "Marketing", 2000),
("Saif", "Sales", 4100)
]
schema = ["employee_name", "department", "salary"]
df = spark.createDataFrame(data=simpleData, schema = schema)
df.printSchema()
df.show(truncate=False)
可以看到，数据主要有三列，分别是员工姓名，部门，薪资。
approx_count_distinct
approx_count_distinct()函数主要是用于计算一个组某一列中不同项目的计数值，这里的组你可以认为是很多列。
比如说我们要计算员工的薪资一共有多少种不同数据：
a = df.select(approx_count_distinct('salary')).collect()[0][0]
print("number of different salary: ",a)
同理，我们也可以看下员工一共来自多少个不同你部门：
a = df.select(approx_count_distinct('department')).collect()[0][0]
print("number of different salary: ",a)
avg (average)
avg()函数主要是用来计算某一列的平均值，比如我们计算所有员工的薪酬平均值：
print("average salary: ", str(df.select(avg("salary")).collect()[0][0]))
collect_list
collect_list()函数用于从输入列中返回全部的数值。下面的例子是返回"salary"列中所有的值
df.select(collect_list("salary")).show(truncate=False)
collect_set
collect_set()函数也是从输入列中返回全部不重复的值，还是以"salary"列为例：
df.select(collect_set("salary")).show(truncate=False)
countDistinct
countDistinct()函数用于计算某些列中不同元素的个数，比如这里返回所有行中"department"和"salary"这两列中元素至少有一个不相同的元素的个数：
df2 = df.select(countDistinct("department", "salary"))
df2.show(truncate=False)
print("Distinct Count of Department & Salary: "+str(df2.collect()[0][0]))
可能你还是没太明白，注意看下原始数据，其中有两个“James”的部门和薪资是一样的，还有"Robert"和"Saif"的部门和薪资也是一样的。故10个人里面，要去掉重复的2个，故最后结果是8。
count
count()用户返回指定的某一列中元素的个数，比如这里返回"salary"列中包含几个元素：
print("salary count: ", df.select(count("salary")).collect()[0])
first
first()函数用来返回指定列中的第一个元素，当”ignoreNulls“被设置成"True"的时候，它返回第一个非空的元素。
df.select(first("salary")).show(truncate=False)
last
last()函数用来返回指定列中的第一个元素，当”ignoreNulls“被设置成"True"的时候，它返回第一个非空的元素。
df.select(last("salary")).show(truncate=False)
kurtosis
kurtosis()函数用于返回一个组中的峰度。关于峰度的定义可参见维基百科。
df.select(kurtosis("salary")).show(truncate=False)
max
max()函数主要返回一列中的最大值。
df.select(max("salary")).show(truncate=False)
min
min()函数主要返回一列中的最大值。
df.select(min("salary")).show(truncate=False)
mean
mean()函数主要返回某一列的平均值，也叫做Avg。
df.select(mean("salary")).show(truncate=False)
skewness
skewness()函数返回某一列的偏度，偏度的定义见百度百科。
df.select(skewness("salary")).show(truncate=False)
stddev, stddev_samp and stddev_pop
stddev()和stddev_samp()是一样的， 返回某一列的样本标准偏差。
and stddev_pop()返回某一列中数据的总体标准偏差。
df.select(stddev("salary"), stddev_samp("salary"), \
stddev_pop("salary")).show(truncate=False)
sum
sum() 函数返回某一列中全部值的总和。
df.select(sum("salary")).show(truncate=False)
sumDistinct
sumDistinct()函数返回列中所有不同值的总和。
df.select(sumDistinct("salary")).show(truncate=False)
variance, var_samp, var_pop
variance(), var_samp()是一样的，返回某一列中所有值的无偏方差。
var_pop()返回某一列中所有值的总体方差。
df.select(variance("salary"),var_samp("salary"),var_pop("salary")) \
.show(truncate=False)
