Например, вот мои тестовые данные
test = spark.createDataFrame([
(0, 1, 5, "2018-06-03", "Region A"),
(1, 1, 2, "2018-06-04", "Region B"),
(2, 2, 1, "2018-06-03", "Region B"),
(3, 3, 1, "2018-06-01", "Region A"),
(3, 1, 3, "2018-06-05", "Region A"),
])\
.toDF("orderid", "customerid", "price", "transactiondate", "location")
test.show()
Я могу получить данные обобщения, подобные этому
test.groupBy("customerid", "location").agg(sum("price")).show()
но я также хочу, чтобы процентные данные, что-то вроде этого
+----------+--------+----------+
|customerid|location|sum(price)| percentage
+----------+--------+----------+
| 1|Region B| 2| 20%
| 1|Region A| 8| 80%
| 3|Region A| 1| 100%
| 2|Region B| 1| 100%
+----------+--------+----------+
я хочу знать
Я только нахожу пример pandas в Как получить процент отчислений столбца после groupby в Pandas
ОБНОВИТЬ:
С помощью @Gordon Linoff я могу получить процент от
from pyspark.sql.window import Window
test.groupBy("customerid", "location").agg(sum("price"))\
.withColumn("percentage", col("sum(price)")/sum("sum(price)").over(Window.partitionBy(test['customerid']))).show()
ЭТО ОТВЕЧАЕТ ОРИГИНАЛЬНУЮ ВЕРСИЮ ВОПРОСА.
В SQL вы можете использовать функции окна:
select customerid, location, sum(price),
(sum(price) / sum(sum(price)) over (partition by customerid) as ratio
from t
group by customerid, location;