使用两列火花蟒蛇

键我有我的csv文件4列和多行。使用两列火花蟒蛇

Date(MM/DD/YY) Arr_Dep  Dom_Int    Num_Fl 
01/01/15 0:00 Arrival  Domestic   357 
03/01/15 0:00 Arrival  International  269 
06/01/15 0:00 Departure Domestic   82 
08/01/15 0:00 Departure International  5 
05/01/16 0:00 Arrival  Domestic   44 
06/01/16 0:00 Arrival  Domestic   57 
07/01/16 0:00 Departure International  51 
08/01/16 0:00 Departure International  40 
08/01/17 0:00 Arrival  Domestic   1996 
10/01/17 0:00 Departure International  21

我必须根据航班是抵达还是出发，找到特定年份每月的平均航班数。所以输出我期待为上述输入：

2015, arrival, 313 
2015, departure, 44 
2016, arrival, 51 
2016, departure, 46 
2017, arrival, 1996 
2017, departure, 21

我现在面临的问题，我怎么应该包括在我的地图功能在我的钥匙，即Arr_Dep和日期列两列，最终减少它得到平均。我写了下面的脚本为止。不确定如何继续

from pyspark import SparkContext 
from operator import add 
import sys 

sc = SparkContext(appName="example") 
input_file = sys.argv[1] 
lines = sc.textFile(input_file) 
first = lines.map(lambda x : ((x.split(",")[0].split(" ")[0][5:]).encode('ascii','ignore'), int(x.split(",")[-1]), x.split(",")[1])) 
second = first.filter(lambda x : "Arrival" in x[1] or "Departure" in x[1]) 
third = second.map(lambda x : (x[0],x[1])) 
result = third.reduceByKey("Not sure how to calculate average") 
output = result.collect() 
for v in sorted(output, key = lambda x:x[0]): 
    print '%s, %s' % (v[0], v[1])

我不确定上述脚本。我是新来的火花和蟒蛇。任何想法如何继续？

来源

2017-11-25 Alex

最好是使用SQL API：

from pyspark.sql.functions import * 

df = spark.read.options(inferSchema=True, header=True).csv(input_file) 
df\ 
    .groupBy(year(to_date("Date(MM/DD/YY)", "MM/dd/yyH:mm")).alias("year"), "Arr_Dep")\ 
    .avg("Num_Fl")

来源

2017-11-25 18:22:53 user9008161

但我怎么计算用这个平均？你能详细解释一下吗？ – Alex

我觉得他是用日平均函数来看看计算平均！ –

使用两列火花蟒蛇

回答

相关问题