迭代pyspark数据框列

Question

我有以下几点pyspark.dataframe：

age  state  name    income
21    DC    john    30-50K
NaN   VA    gerry   20-30K

我试图实现相当于df.isnull().sum()（来自熊猫）产生：

age      1
state    0
name     0
income   0

起初我尝试了一些类似的东西：

null_counter = [df[c].isNotNull().count() for c in df.columns]

但这会产生以下错误：

TypeError: Column is not iterable

同样，这就是我目前迭代列以获得最小值的方式：

class BaseAnalyzer:
    def __init__(self, report, struct):
        self.report = report
        self._struct = struct
        self.name = struct.name
        self.data_type = struct.dataType
        self.min = None
        self.max = None

    def __repr__(self):
        return '<Column: %s>' % self.name


class BaseReport:
    def __init__(self, df):
        self.df = df
        self.columns_list = df.columns
        self.columns = {f.name: BaseAnalyzer(self, f) for f in df.schema.fields}

    def calculate_stats(self):
        find_min = self.df.select([fn.min(self.df[c]).alias(c) for c in self.df.columns]).collect()
        min_row = find_min[0]
        for column, min_value in min_row.asDict().items():
            self[column].min = min_value

    def __getitem__(self, name):
        return self.columns[name]

    def __repr__(self):
        return '<Report>'

report = BaseReport(df)
calc = report.calculate_stats()

for column in report1.columns.values():
if hasattr(column, 'min'):
    print("{}:{}".format(column, column.min))

这允许我“遍历列”

<Column: age>:1
<Column: name>: Alan
<Column: state>:ALASKA
<Column: income>:0-1k

我觉得这个方法已经成为途径复杂，我怎么能正确地遍历所有列提供vaiour总结statistcs（最小值，最大值，ISNULL，NOTNULL，等）之间的区别pyspark.sql.Row，并pyspark.sql.Column似乎很奇怪，从大熊猫的到来。

Answer 1

你有没有尝试过这样的事情：

names = df.schema.names
for name in names:
    print(name + ': ' + df.where(df[name].isNull()).count())

您可以看到如何修改它以将信息放入字典或其他一些更有用的格式中。