给定Spark数据帧,我想基于该列的非缺失值和非未知值计算列平均值.然后我想采取这个意思并用它来代替列的缺失&未知的价值.

例如,假设我正在使用：

>名为df的数据帧,其中每个记录代表一个个体,所有列都是整数或数字
>名为年龄的列(每个记录的年龄)
>名为missing_age的列(如果该个人没有年龄,则等于1,否则为0)
>名为unknown_age的列(如果该个人的年龄未知,则等于1,否则为0)

然后我可以计算出这个均值,如下所示.

calc_mean = df.where((col("unknown_age") == 0) & (col("missing_age") == 0))
.agg(avg(col("age")))

或者通过SQL和Windows函数,

mean_compute = hiveContext.sql("select avg(age) over() as mean from df 
where missing_age = 0 and unknown_age = 0")

如果我可以帮助它,我不想使用SQL / Windows函数.我的挑战是采用这种方法并使用非SQL方法替换未知/缺失值.

我已经尝试过使用when(),where(),replace(),withColumn,UDF和组合……无论我做什么,我都会得到错误或结果不是我所期望的.这是我尝试过的很多东西之一的例子.

imputed = df.when((col("unknown_age") == 1) | (col("missing_age") == 1),
calc_mean).otherwise("age")

我已经搜索过网络,但没有找到类似的插补类型问题,所以任何帮助都非常感谢.这可能是我错过的非常简单的事情.

附注 – 我正在尝试将此代码应用于Spark Dataframe中列名中没有unknown_或missing_的所有列.我可以将Spark相关代码包装在Python’for循环’中并循环遍历所有适用的列来执行此操作吗？

更新：

还想出了如何遍历列…这是一个例子.

for x in df.columns:
    if 'unknown_' not in x and 'missing_' not in x:
        avg_compute = df.where(df['missing_' + x] != 1).agg(avg(x)).first()[0]
        df = df.withColumn(x + 'mean_miss_imp', when((df['missing_' + x] == 1), 
        avg_compute).otherwise(df[x]))

最佳答案:

如果未知或缺失的年龄是某些值：

from pyspark.sql.functions import col, avg, when

df = sc.parallelize([
    (10, 0, 0), (20, 0, 0), (-1, 1, 0), (-1, 0, 1)
]).toDF(["age", "missing_age", "unknown_age"])

avg_age = df.where(
    (col("unknown_age") != 1) & (col("missing_age") != 1)
).agg(avg("age")).first()[0]

df.withColumn("age_imp", when(
    (col("unknown_age") == 1) | (col("missing_age") == 1), avg_age
).otherwise(col("age")))

如果未知或缺失的年龄为NULL,您可以将其简化为：

df = sc.parallelize([
    (10, 0, 0), (20, 0, 0), (None, 1, 0), (None, 0, 1)
]).toDF(["age", "missing_age", "unknown_age"])

df.na.fill(df.na.drop().agg(avg("age")).first()[0], ["age"])