Pyspark - Avg

No Python, Pyspark é um módulo Spark usado para fornecer um tipo semelhante de processamento como o Spark usando o DataFrame. AVG () em Pyspark é usado para retornar o valor médio de uma coluna específica no DataFrame. Podemos obter a média de três maneiras.

1. Método 1: Usando o método select ()
2. Método 2: Usando o método agg ()
3. Método 3: Usando o Método Groupby ()

Antes disso, temos que criar dados de dados Pyspark para demonstração.

Exemplo:
Criaremos um DataFrame com 5 linhas e 6 colunas e exibiremos -o usando o método show ().

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#display dataframe
df.mostrar()

Saída:

Método 1: Usando o método select ()

Podemos obter o valor médio da coluna no DataFrame usando o método select (). Ao usar o método AVG (), podemos obter o valor médio da coluna. Para usar este método, temos que importá -lo do Pyspark.SQL.Módulo de funções e, finalmente, podemos usar o método collect () para obter a média da coluna

Sintaxe:

df.Selecione (avg ('column_name')))

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. Column_name é a coluna para obter o valor médio

Se queremos retornar o valor médio de várias colunas, precisamos usar o método avg () dentro do método select () especificando o nome da coluna separado por uma vírgula.

Sintaxe:

df.Selecione (AVG ('Column_Name'), AVG ('Column_Name'),… ., avg ('column_name'))

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. Column_name é a coluna para obter o valor médio

Exemplo 1: coluna única

Este exemplo receberá o valor médio da coluna de altura no quadro de dados Pyspark.

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#import a função média - AVG
de Pyspark.SQL.funções importam avg
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#Return a média da coluna de altura
df.Selecione (AVG ('altura')).colecionar ()

Saída:

[Linha (AVG (altura) = 4.33)]

No exemplo acima, o valor médio da coluna de altura é retornado.

Exemplo 2: várias colunas

Este exemplo receberá o valor médio das colunas de altura, idade e peso no quadro de dados Pyspark.

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#import a função média - AVG
de Pyspark.SQL.funções importam avg
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#Return a média das colunas de altura, idade e peso
df.Selecione (AVG ('Height'), AVG ('Age'), AVG ('Peso')).colecionar ()

Saída:

[Linha (AVG (altura) = 4.33, avg (idade) = 18.4, avg (peso) = 40.0)]

No exemplo acima, o valor médio das colunas de altura, idade e peso é retornado.

Método 2: Usando o método agg ()

Podemos obter o valor médio da coluna no DataFrame usando o método agg (). Este método é conhecido como agregação, que agrupa os valores dentro de uma coluna. Será necessário o dicionário como um parâmetro nessa chave será o nome da coluna e o valor é a função agregada, i.e., Avg . Ao usar o método AVG (), podemos obter o valor médio da coluna e, finalmente, podemos usar o método collect () para obter a média da coluna.

Sintaxe:

df.agg ('column_name': avg)

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. Column_name é a coluna para obter o valor médio
3. AVG é uma função de agregação usada para retornar a média

Se queremos retornar o valor médio de várias colunas, precisamos especificar o nome da coluna com a função AVG separada por uma vírgula.

Sintaxe:

df.agg ('column_name': avg, 'column_name': avg,…, 'column_name': avg)

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. Column_name é a coluna para obter o valor médio
3. AVG é uma função de agregação usada para retornar a média

Exemplo 1: coluna única

Este exemplo receberá o valor médio da coluna de altura no quadro de dados Pyspark.

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#Return a média da coluna de altura
df.agg ('altura': 'avg').colecionar ()

Saída:

[Linha (AVG (altura) = 4.33)]

No exemplo acima, o valor médio da coluna de altura é retornado.

Exemplo 2: várias colunas

Este exemplo receberá o valor médio das colunas de altura, idade e peso no quadro de dados Pyspark.

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#Return a média das colunas de altura, idade e peso
df.agg ('altura': 'avg', 'idade': 'avg', 'peso': 'avg').colecionar ()

Saída:

[Linha (AVG (Peso) = 40.0, avg (idade) = 18.4, avg (altura) = 4.33)]

No exemplo acima, o valor médio das colunas de altura, idade e peso é retornado.

Método 3: Usando o Método Groupby ()

Podemos obter o valor médio da coluna no DataFrame usando o método Groupby (). Este método retornará o valor médio agrupando valores semelhantes em uma coluna. Temos que usar a função AVG () após executar a função Groupby ()

Sintaxe:

df.grupo (group_column).avg ('column_name')

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. group_column é a coluna em que os valores são agrupados com base nesta coluna
3. Column_name é a coluna para obter o valor médio
4. AVG é uma função de agregação usada para retornar a média

Exemplo 1:

Neste exemplo, agruparemos a coluna de endereço com a coluna de altura para retornar o valor médio com base nesta coluna de endereço.

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#Return A média do agrupamento da coluna de altura com coluna de endereço
df.grupo ('endereço').AVG ('altura').colecionar ()

Saída:

Existem três valores únicos no campo de endereço - Hyd, Guntur e Patna. Portanto, a média será formada agrupando os valores nos valores do endereço.

[Linha (endereço = 'hyd', avg (altura) = 4.3566666666666665),
Linha (endereço = 'guntur', avg (altura) = 5.79),
Linha (endereço = 'patna', avg (altura) = 2.79)]

Exemplo 2:

Neste exemplo, agruparemos a coluna de endereço com a coluna de peso para retornar o valor médio com base nesta coluna de endereço.

#import o módulo Pyspark
Importar Pyspark
#Import SparkSession para criar uma sessão
de Pyspark.SQL Import SparkSession
#Crie um aplicativo chamado Linuxhint
Spark_App = SparkSession.construtor.AppName ('Linuxhint').getorcreate ()
# Crie dados dos alunos com 5 linhas e 6 atributos
alunos = [
'rollno': '001', 'nome': 'sravan', 'idade': 23,
'Altura': 5.79, 'Peso': 67, 'Endereço': 'Guntur',
'rollno': '002', 'nome': 'ojaswi', 'idade': 16,
'Altura': 3.79, 'Peso': 34, 'Endereço': 'Hyd',
'rollno': '003', 'nome': 'gnanesh chowdary', 'idade': 7,
'Altura': 2.79, 'Peso': 17, 'Endereço': 'Patna',
'rollno': '004', 'nome': 'rohith', 'idade': 9,
'Altura': 3.69, 'Peso': 28, 'Endereço': 'Hyd',
'rollno': '005', 'nome': 'sridevi', 'idade': 37,
'Altura': 5.59, 'Peso': 54, 'Endereço': 'Hyd']
# Crie o DataFrame
df = spark_app.CreatedAtAframe (estudantes)
#Return A média do agrupamento de colunas de peso com coluna de endereço
df.grupo ('endereço').AVG ('Peso').colecionar ()

Saída:

Existem três valores únicos no campo de endereço - Hyd, Guntur e Patna. Portanto, a média será formada agrupando os valores nos valores do endereço.

[Linha (endereço = 'hyd', avg (peso) = 38.666666666666664),
Linha (endereço = 'guntur', avg (peso) = 67.0),
Linha (endereço = 'patna', avg (peso) = 17.0)]

Conclusão:

Discutimos como obter o valor médio do quadro de dados Pyspark usando os métodos selecion () e agg (). Para obter o valor médio agrupando com outras colunas, usamos o grupo junto com a função AVG ().