python - PySpark：使用过滤器功能后取一列的平均值

Question

我正在使用以下代码来获取薪水大于某个阈值的人的平均年龄。

dataframe.filter(df['salary'] > 100000).agg({"avg": "age"})

列年龄是数字（浮点数），但我仍然收到此错误。

py4j.protocol.Py4JJavaError: An error occurred while calling o86.agg. 
: scala.MatchError: age (of class java.lang.String)

groupBy您是否知道在不使用函数和 SQL 查询的情况下获取 avg 等的其他方法。

Answer 1

聚合函数应该是一个值，一个列名是一个键：

dataframe.filter(df['salary'] > 100000).agg({"age": "avg"})

或者，您可以使用pyspark.sql.functions：

from pyspark.sql.functions import col, avg

dataframe.filter(df['salary'] > 100000).agg(avg(col("age")))

也可以使用CASE .. WHEN

from pyspark.sql.functions import when

dataframe.select(avg(when(df['salary'] > 100000, df['age'])))

Answer 2

你也可以试试这个：

dataframe.filter(df['salary'] > 100000).groupBy().avg('age')