如何在pyspark中创建一个包含所有大于0的行值的新列？

Question

假设我有一个pyspark数据帧：

col1 col2  col3
1     2    -3
2     null  5
4     4     8
1     0     9

我想添加一个名为check的列，它计算大于0的值的数量。

最终输出将是:

col1 col2  col3     check
    1     2    -3    2
    2     null  5    2
    4     4     8    3
    1     0     9    2

我正在尝试这个。但是，它没有帮助，错误如下：

df= df.withColumn("check", sum((df[col] > 0) for col in df.columns))

参数无效，不是字符串或列：

Answer 1

匿名用户

您可以使用＜code＞函数工具。减少以对df中的列列表求和。列if

from pyspark.sql import functions as F
from operator import add
from functools import reduce


df = spark.createDataFrame([
    (1, 2, -3), (2, None, 5), (4, 4, 8), (1, 0, 9)
], ["col1", "col2", "col3"])

df = df.withColumn(
    "check",
    reduce(add, [F.when(F.col(c) > 0, 1).otherwise(0) for c in df.columns])
)

df.show()
#+----+----+----+-----+
#|col1|col2|col3|check|
#+----+----+----+-----+
#|   1|   2|  -3|    2|
#|   2|null|   5|    2|
#|   4|   4|   8|    3|
#|   1|   0|   9|    2|
#+----+----+----+-----+

Answer 2

创建新列数组和过滤器新创建的列最后对列中的元素进行计数。

示例：

df.show(10,False)
#+----+----+----+
#|col1|col2|col3|
#+----+----+----+
#|1   |2   |-3  |
#|2   |null|5   |
#+----+----+----+

df.withColumn("check",expr("size(filter(array(col1,col2), x -> x > 0))")).show(10,False)
#+----+----+----+-----+
#|col1|col2|col3|check|
#+----+----+----+-----+
#|1   |2   |-3  |2    |
#|2   |null|5   |1    |
#+----+----+----+-----+

Answer 3

我不知道是否有更简单的基于SQL的解决方案，但它非常简单。

count_udf = udf(lambda arr: sum([1 for a in arr if a > 0]), IntegerType())
df.withColumn('check', count_udf(array('col1', 'col2', 'col3'))).show()

不确定它是否会处理空值。添加空检查（如果a和a

理念： https://stackoverflow.com/a/42540401/496289

您的代码显示您对非零列进行求和，而不是计数。如果您需要求和，那么

count_udf = udf(lambda arr: sum([a for a in arr if a > 0]), IntegerType())