Pyspark - Mean

I Python er Pyspark en Spark -modul som brukes til å gi en lignende type prosessering som Spark ved hjelp av DataFrame. Gjennomsnitt () I Pyspark returnerer gjennomsnittsverdien fra en bestemt kolonne i DataFrame. Vi kan få gjennomsnittet på tre måter.

1. Metode 1: Bruke Select () Metode
2. Metode 2: Bruke AGG () -metode
3. Metode 3: Bruke GroupBy () -metode

Før det må vi lage Pyspark DataFrame for demonstrasjon.

Eksempel:

Vi vil lage en DataFrame med 5 rader og 6 kolonner og vise den ved hjelp av Show () -metoden.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#Display DataFrame
df.forestilling()

Produksjon:

Metode 1: Bruke Select () Metode

Vi kan få gjennomsnittsverdien fra kolonnen i DataFrame ved hjelp av Select () -metoden. Ved hjelp av gjennomsnittlig () -metoden kan vi få gjennomsnittsverdien fra kolonnen. For å bruke denne metoden, må vi importere den fra Pyspark.SQL.Funksjonsmodul, og til slutt kan vi bruke Collect () -metoden for å få gjennomsnittet fra kolonnen

Syntaks:

df.Velg (Mean ('Column_name'))

Hvor,

1. DF er inngangen Pyspark DataFrame
2. kolonne_navn er kolonnen for å få gjennomsnittsverdien

Hvis vi ønsker å returnere gjennomsnittsverdien fra flere kolonner, må vi bruke Mean () -metoden inne i SELECT () -metoden ved å spesifisere kolonnens navn atskilt med et komma.

Syntaks:

df.velg (gjennomsnitt ('kolonne_navn'), gjennomsnitt ('kolonne_navn'), .. ., Mean ('Column_name')))

Hvor,

1. DF er inngangen Pyspark DataFrame
2. kolonne_navn er kolonnen for å få gjennomsnittsverdien

Eksempel 1: Enkelt kolonne

Dette eksemplet vil få gjennomsnittsverdien fra høydekolonnen i Pyspark DataFrame.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#import middelfunksjonen
Fra Pyspark.SQL.funksjoner importerer
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#returner gjennomsnittet fra høydekolonnen
df.Velg (Gjennomsnitt ('Høyde')).samle inn()

Produksjon:

[Rad (AVG (høyde) = 4.33)]

I eksemplet ovenfor returneres gjennomsnittsverdien fra høydekolonnen.

Eksempel 2: Flere kolonner

Dette eksemplet vil få gjennomsnittsverdien fra høyde-, alders- og vektkolonnene i Pyspark DataFrame.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#import middelfunksjonen
Fra Pyspark.SQL.funksjoner importerer
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#Return gjennomsnittet fra høyden, alders- og vektkolonnene
df.Velg (gjennomsnitt ('høyde'), gjennomsnitt ('alder'), gjennomsnitt ('vekt')).samle inn()

Produksjon:

[Rad (AVG (høyde) = 4.33, AVG (alder) = 18.4, AVG (vekt) = 40.0)]

I eksemplet ovenfor returneres gjennomsnittsverdien fra høyde-, alders- og vektkolonnene.

Metode 2: Bruke AGG () -metode

Vi kan få gjennomsnittsverdien fra kolonnen i DataFrame ved å bruke AGG () -metoden. Denne metoden er kjent som aggregering, som grupper verdiene i en kolonne. Det vil ta ordbok som en parameter i den nøkkelen vil være kolonnens navn og verdi er den samlede funksjonen, i.e., mener. Ved å bruke gjennomsnittlig () -metoden, kan vi få gjennomsnittsverdien fra kolonnen, og til slutt kan vi bruke Collect () -metoden for å få gjennomsnittet fra kolonnen.

Syntaks:

df.AGG ('Column_name': Mean)

Hvor,

1. DF er inngangen Pyspark DataFrame
2. kolonne_navn er kolonnen for å få gjennomsnittsverdien
3. Gjennomsnitt er en aggregeringsfunksjon som brukes til å returnere gjennomsnittet

Hvis vi ønsker å returnere gjennomsnittsverdien fra flere kolonner, må vi spesifisere kolonnenavnet med den gjennomsnittlige funksjonen atskilt med et komma.

Syntaks:

df.AGG ('Column_name': Mean, 'Column_name': Mean,…, 'Column_name': Mean)

Hvor,

1. DF er inngangen Pyspark DataFrame
2. kolonne_navn er kolonnen for å få gjennomsnittsverdien
3. Gjennomsnitt er en aggregeringsfunksjon som brukes til å returnere gjennomsnittet

Eksempel 1: Enkelt kolonne

Dette eksemplet vil få gjennomsnittsverdien fra høydekolonnen i Pyspark DataFrame.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#returner gjennomsnittet fra høydekolonnen
df.AGG ('høyde': 'Mean').samle inn()

Produksjon:

[Rad (AVG (høyde) = 4.33)]

I eksemplet ovenfor returneres gjennomsnittsverdien fra høydekolonnen.

Eksempel 2: Flere kolonner

Dette eksemplet vil få gjennomsnittsverdien fra høyde-, alders- og vektkolonnene i Pyspark DataFrame.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#Return gjennomsnittet fra høyden, alders- og vektkolonnene
df.AGG ('høyde': 'Mean', 'Age': 'Mean', 'Weight': 'Mean').samle inn()

Produksjon:

[Rad (AVG (vekt) = 40.0, AVG (alder) = 18.4, AVG (høyde) = 4.33)]

I eksemplet ovenfor returneres gjennomsnittsverdien fra høyde-, alders- og vektkolonnene.

Metode 3: Bruke GroupBy () -metode

Vi kan få gjennomsnittsverdien fra kolonnen i DataFrame ved hjelp av GroupBy () -metoden. Denne metoden vil returnere gjennomsnittsverdien ved å gruppere lignende verdier i en kolonne. Vi må bruke Mean () -funksjon etter å ha utført GroupBy () -funksjon

Syntaks:

df.Groupby (Group_Column). Gjennomsnitt ('kolonne_navn')

Hvor,

1. DF er inngangen Pyspark DataFrame
2. group_column er kolonnen der verdiene er gruppert basert på denne kolonnen
3. kolonne_navn er kolonnen for å få gjennomsnittsverdien
4. Gjennomsnitt er en aggregeringsfunksjon som brukes til å returnere gjennomsnittet

Eksempel 1:

I dette eksemplet vil vi gruppere adressekolonnen med høydekolonnen for å returnere gjennomsnittsverdien basert på denne adressekolonnen.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#Return gjennomsnittet fra høydekolonnets gruppering med adressekolonnen
df.Groupby ('adresse').Gjennomsnitt ('høyde').samle inn()

Produksjon:

Det er tre unike verdier i adressefeltet - Hyd, Guntur og Patna. Så gjennomsnittet vil bli dannet ved å gruppere verdiene på tvers av adresseverdiene.

[Rad (adresse = 'hyd', AVG (høyde) = 4.35666666666666665),
Rad (adresse = 'guntur', AVG (høyde) = 5.79),
Rad (adresse = 'Patna', AVG (høyde) = 2.79)]

Eksempel 2:

I dette eksemplet vil vi gruppere adressekolonnen med vektkolonnen for å returnere gjennomsnittsverdien basert på denne adressekolonnen.

#import Pyspark -modulen
Importer pyspark
#import SparkSession for å lage en økt
Fra Pyspark.SQL Import SparkSession
#Create en app som heter Linuxhint
Spark_app = SparkSession.bygger.AppName ('Linuxhint').getorCreate ()
# Lag studentdata med 5 rader og 6 attributter
Studenter = [
'Rollno': '001', 'Navn': 'Sravan', 'Age': 23,
'Høyde': 5.79, 'vekt': 67, 'adresse': 'guntur',
'Rollno': '002', 'Navn': 'Ojaswi', 'Age': 16,
'Høyde': 3.79, 'vekt': 34, 'adresse': 'hyd',
'Rollno': '003', 'Navn': 'Gnanesh Chowdary', 'Age': 7,
'Høyde': 2.79, 'Vekt': 17, 'Adresse': 'Patna',
'Rollno': '004', 'Navn': 'Rohith', 'Age': 9,
'Høyde': 3.69, 'vekt': 28, 'adresse': 'hyd',
'Rollno': '005', 'Navn': 'Sridevi', 'Age': 37,
'Høyde': 5.59, 'vekt': 54, 'adresse': 'hyd']]
# Lag DataFrame
df = spark_app.CreateTataFrame (studenter)
#Return gjennomsnittet fra vektkolonnets gruppering med adressekolonnen
df.Groupby ('adresse').Gjennomsnitt ('vekt').samle inn()

Produksjon:

Det er tre unike verdier i adressefeltet - Hyd, Guntur og Patna. Så gjennomsnittet vil bli dannet ved å gruppere verdiene på tvers av adresseverdiene.

[Rad (adresse = 'hyd', AVG (vekt) = 38.6666666666666664),
Rad (adresse = 'guntur', AVG (vekt) = 67.0),
ROW (adresse = 'Patna', AVG (vekt) = 17.0)]

Konklusjon:

Vi diskuterte hvordan vi kan få gjennomsnittsverdien fra Pyspark DataFrame ved å bruke Select () og AGG () -metodene. For å få gjennomsnittsverdien ved å gruppere med andre kolonner, brukte vi GroupBy sammen med gjennomsnittlig () -funksjonen.