spark limg如何進行數據聚合

在Spark中，可以使用groupBy和agg函數進行數據聚合。以下是一些常見的聚合操作：

1. COUNT：計算每個分組中的行數。

from pyspark.sql.functions import count

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(count("*"))

2. SUM：計算每個分組中的列值之和。

from pyspark.sql.functions import sum

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(sum("column_name"))

3. AVG：計算每個分組中的列值平均值。

from pyspark.sql.functions import avg

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(avg("column_name"))

4. MAX：計算每個分組中的列值最大值。

from pyspark.sql.functions import max

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(max("column_name"))

5. MIN：計算每個分組中的列值最小值。

from pyspark.sql.functions import min

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(min("column_name"))

6. COUNT DISTINCT：計算每個分組中不同列值的數量。

from pyspark.sql.functions import countDistinct

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(countDistinct("column_name"))

這些示例僅展示了基本的聚合操作。你還可以使用agg函數與多個聚合函數一起使用，例如：

from pyspark.sql.functions import sum, avg, count

# 假設有一個名為df的DataFrame，其中有一個名為"column_name"的列
aggregated_df = df.groupBy("column_name").agg(
    sum("column_name"),
    avg("column_name"),
    count("*")
)

此外，你還可以使用groupBy函數的多個參數進行更復雜的聚合操作，例如：

# 假設有一個名為df的DataFrame，其中有兩個名為"column1"和"column2"的列
aggregated_df = df.groupBy("column1", "column2").agg(
    sum("column_name"),
    avg("column_name"),
    count("*")
)