计算 Spark scala 中几列的平均值

Question

我正在寻找一种方法来计算一些统计数据，例如使用 Scala 计算 Spark 中几个选定列的平均值。鉴于该data对象是我的 Spark DataFrame，很容易仅计算一列的平均值，例如

data.agg(avg("var1") as "mean var1").show

此外，我们可以轻松计算由其他一些列的值交叉制表的平均值，例如：

data.groupBy("category").agg(avg("var1") as "mean_var1").show

但是我们如何计算 DataFrame 中列列表的平均值呢？我尝试运行这样的东西，但它没有用：

scala> data.select("var1", "var2").mean().show
<console>:44: error: value mean is not a member of org.apache.spark.sql.DataFrame
       data.select("var1", "var2").mean().show
                                   ^

Answer 1

这是你需要做的

import org.apache.spark.sql.functions._

import spark.implicits._
val df1 = Seq((1,2,3), (3,4,5), (1,2,4)).toDF("A", "B", "C")

data.select(data.columns.map(mean(_)): _*).show()

输出：

+------------------+------------------+------+
|            avg(A)|            avg(B)|avg(C)|
+------------------+------------------+------+
|1.6666666666666667|2.6666666666666665|   4.0|
+------------------+------------------+------+

这适用于选定的列

data.select(Seq("A", "B").map(mean(_)): _*).show()

输出：

+------------------+------------------+
|            avg(A)|            avg(B)|
+------------------+------------------+
|1.6666666666666667|2.6666666666666665|
+------------------+------------------+

希望这可以帮助！