Pyspark - Sum

No Python, Pyspark é um módulo Spark usado para fornecer um tipo semelhante de processamento como o Spark usando o DataFrame. Sum () em Pyspark retorna o valor total (soma) de uma coluna específica no quadro de dados. Podemos obter o valor da soma 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 total da coluna no DataFrame usando o método select (). Usando o método SUM (), podemos obter o valor total 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 soma da coluna

Sintaxe:

df.Selecione (Sum ('Column_Name')))

Onde,

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

Se quisermos retornar o valor total de várias colunas, devemos usar o método sum () dentro do método select () especificando o nome da coluna separado por uma vírgula.

Sintaxe:

df.Selecione (Sum ('Column_Name'), Sum ('Column_Name'),… ., Sum ('Column_Name'))

Onde,

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

Exemplo 1: coluna única

Este exemplo receberá o valor total 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 da soma
de Pyspark.SQL.funções Importar soma
#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)
#Returnar a soma da coluna de altura
df.Selecione (Sum ('Altura')).colecionar ()

Saída:

[Linha (soma (altura) = 21.65)]

O valor total (soma) da coluna de altura é retornado no exemplo acima.

Exemplo 2: várias colunas

Este exemplo receberá o valor total 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 da soma
de Pyspark.SQL.funções Importar soma
#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)
#Returnar a soma das colunas de altura, idade e peso
df.Selecione (Sum ('Altura'), Sum ('Age'), Sum ('Peso')).colecionar ()

Saída:

[Linha (soma (altura) = 21.65, soma (idade) = 92, soma (peso) = 200)]

O valor total (soma) das colunas de altura, idade e peso é retornado no exemplo acima.

Método 2: Usando o método agg ()

Podemos obter o valor total 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., soma. Ao usar o método SUM (), podemos obter o valor total da coluna e, finalmente, podemos usar o método collect () para obter a soma da coluna.

Sintaxe:

df.agg ('column_name': sum)

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. Column_name é a coluna para obter o valor da soma
3. A soma é uma função de agregação usada para retornar a soma

Se queremos retornar o valor total de várias colunas, devemos especificar o nome da coluna com a função SUM separada por uma vírgula.

Sintaxe:

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

Onde,

1. DF é o quadro de dados Pyspark de entrada
2. Column_name é a coluna para obter o valor da soma
3. A soma é uma função de agregação usada para retornar a soma

Exemplo 1: coluna única

Este exemplo receberá o valor total 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)
#Returnar a soma da coluna de altura
df.Agg ('Height': 'Sum').colecionar ()

Saída:

[Linha (soma (altura) = 21.65)]

No exemplo acima, o valor total (soma) da coluna de altura é retornado.

Exemplo 2: várias colunas

Este exemplo receberá o valor total 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)
#Returnar a soma das colunas de altura, idade e peso
df.agg ('altura': 'sum', 'idade': 'sum', 'peso': 'sum').colecionar ()

Saída:

[Linha (soma (altura) = 21.65, soma (idade) = 92, soma (peso) = 200)]

No exemplo acima, o valor total (soma) das colunas de altura, idade e peso é retornado.

Método 3: Usando o Método Groupby ()

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

Sintaxe:

df.grupo (group_column).Sum ('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 da soma
4. A soma é uma função de agregação usada para retornar a soma

Exemplo 1:

Neste exemplo, agruparemos a coluna de endereço com a coluna de altura para retornar o valor total (soma) 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 the Sum do agrupamento da coluna de altura com coluna de endereço
df.grupo ('endereço').soma ('altura').colecionar ()

Saída:

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

[Linha (endereço = 'hyd', soma (altura) = 13.07),
Linha (endereço = 'guntur', soma (altura) = 5.79),
Linha (endereço = 'patna', soma (altura) = 2.79)]

Exemplo 2:

Neste exemplo, agruparemos a coluna de endereço com a coluna de peso para retornar o valor total (soma) 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 soma do agrupamento de colunas de peso com coluna de endereço
df.grupo ('endereço').soma ('peso').colecionar ()

Saída:

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

[Linha (endereço = 'hyd', soma (peso) = 116),
Linha (endereço = 'guntur', soma (peso) = 67),
Linha (endereço = 'patna', soma (peso) = 17)]

Conclusão:

Discutimos como obter o valor da soma (total) do Pyspark DataFrame usando os métodos selecion () e agg (). Para obter o valor da soma agrupando com outras colunas, usamos o grupo junto com a função Sum ().