PySpark数据帧上的Sum操作，在type为fin时给出TypeError

Question

我在PySpark中有这样的数据帧（这是take（3）的结果，数据帧非常大）：

sc = SparkContext()
df = [Row(owner=u'u1', a_d=0.1), Row(owner=u'u2', a_d=0.0), Row(owner=u'u1', a_d=0.3)]

相同的所有者将有更多的行。我需要做的是在分组之后，将每个所有者的字段a_d的值求和为

b = df.groupBy('owner').agg(sum('a_d').alias('a_d_sum'))

但这是个错误

TypeError: unsupported operand type(s) for +: 'int' and 'str'

但是，架构包含两个值，而不是字符串（这来自printSchema（））：

root
|-- owner: string (nullable = true)
|-- a_d: double (nullable = true)

那这里发生了什么？

Answer 1

您没有使用正确的sum函数，而是使用built-in函数sum（默认情况下）。

所以build-in函数不能工作的原因是 这就需要一个iterable作为参数，在这里传递的列的名称是一个字符串，而built-in函数不能应用于字符串。Ref. Python Official Documentation。

您需要从pyspark.sql.functions导入正确的函数：

from pyspark.sql import Row
from pyspark.sql.functions import sum as _sum

df = sqlContext.createDataFrame(
    [Row(owner=u'u1', a_d=0.1), Row(owner=u'u2', a_d=0.0), Row(owner=u'u1', a_d=0.3)]
)

df2 = df.groupBy('owner').agg(_sum('a_d').alias('a_d_sum'))
df2.show()

# +-----+-------+
# |owner|a_d_sum|
# +-----+-------+
# |   u1|    0.4|
# |   u2|    0.0|
# +-----+-------+