pyodps中的apply用法及groupby取分组排序第一条数据

目录

• 1、apply用法
• 2、取分组排序后的第一条数据

1、apply用法

apply在pandas里非常好用的，那在pyodps里如何去使用，还是有一些区别的，在pyodps中要对一行数据使用自定义函数，可以使用 apply 方法，axis 参数必须为 1，表示在行上操作。

apply 的自定义函数接收一个参数，为上一步 Collection 的一行数据，用户可以通过属性、或者偏移取得一个字段的数据。

iris.apply(lambda row: row.sepallength + row.sepalwidth, axis=1, reduce=True, types=\'float\').rename(\'sepaladd\').head(3)
   sepaladd
0       8.6
1       7.9
2       7.9

reduce为 True 时，表示返回结果为Sequence，否则返回结果为Collection。 names和 types参数分别指定返回的Sequence或Collection的字段名和类型。 如果类型不指定，将会默认为string类型。

在 apply 的自定义函数中，reduce 为 False 时，也可以使用 yield关键字来返回多行结果。

iris.count()
150
def handle(row):
    yield row.sepallength - row.sepalwidth, row.sepallength + row.sepalwidth
    yield row.petallength - row.petalwidth, row.petallength + row.petalwidth
iris.apply(handle, axis=1, names=[\'iris_add\', \'iris_sub\'], types=[\'float\', \'float\']).count()
300

我们也可以在函数上来注释返回的字段和类型，这样就不需要在函数调用时再指定。

 from odps.df import output

 @output([\'iris_add\', \'iris_sub\'], [\'float\', \'float\'])
 def handle(row):
     yield row.sepallength - row.sepalwidth, row.sepallength + row.sepalwidth
     yield row.petallength - row.petalwidth, row.petallength + row.petalwidth
 iris.apply(handle, axis=1).count()
 300

也可以使用 map-only 的 map_reduce，和 axis=1 的apply操作是等价的。

 iris.map_reduce(mapper=handle).count()
 300

如果想调用 ODPS 上已经存在的 UDTF，则函数指定为函数名即可。

 iris[\'name\', \'sepallength\'].apply(\'your_func\', axis=1, names=[\'name2\', \'sepallength2\'], types=[\'string\', \'float\'])

使用 apply 对行操作，且 reduce为 False 时，可以使用 并列多行输出 与已有的行结合，用于后续聚合等操作。

并列多行输出：

对于 list 及 map 类型的列，explode 方法会将该列转换为多行输出。使用 apply 方法也可以输出多行。 为了进行聚合等操作，常常需要将这些输出和原表中的列合并。此时可以使用 DataFrame 提供的并列多行输出功能， 写法为将多行输出函数生成的集合与原集合中的列名一起映射。

并列多行输出的例子如下：

>>> df
   id         a             b
0   1  [a1, b1]  [a2, b2, c2]
1   2      [c1]      [d2, e2]
>>> df[df.id, df.a.explode(), df.b]
   id   a             b
0   1  a1  [a2, b2, c2]
1   1  b1  [a2, b2, c2]
2   2  c1      [d2, e2]
>>> df[df.id, df.a.explode(), df.b.explode()]
   id   a   b
0   1  a1  a2
1   1  a1  b2
2   1  a1  c2
3   1  b1  a2
4   1  b1  b2
5   1  b1  c2
6   2  c1  d2
7   2  c1  e2

如果多行输出方法对某个输入不产生任何输出，默认输入行将不在最终结果中出现。如果需要在结果中出现该行，可以设置 keep_nulls=True。

此时，与该行并列的值将输出为空值：

>>> df
   id         a
0   1  [a1, b1]
1   2        []
>>> df[df.id, df.a.explode()]
   id   a
0   1  a1
1   1  b1
>>> df[df.id, df.a.explode(keep_nulls=True)]
   id     a
0   1    a1
1   1    b1
2   2  None

 from odps.df import output
 @output([\'iris_add\', \'iris_sub\'], [\'float\', \'float\'])
 def handle(row):
     yield row.sepallength - row.sepalwidth, row.sepallength + row.sepalwidth
     yield row.petallength - row.petalwidth, row.petallength + row.petalwidth
 iris[iris.category, iris.apply(handle, axis=1)]

pyodps中有很多本来在pandas中一个API解决的东西却要想半天才能搞定。

pandas中在groupby后只要用first就可以去出分组后的第一行。

例如：

# 以student_id为分组列，然后取出分组后每组的第一条数据
df_stu_frist_course = df_stu_course.groupby(\'student_id\').first()

2、取分组排序后的第一条数据

然而pyodps中却很坑爹，没有什么first，只能自己想办法。这里我又添加了一个排序

例如：

首先用student_id进行分组，然后用student_id和gmt_create进行排序，最后用窗口函数nth_value取分组中的第一个值并改名first_course_id, 并将其他字段输出

df_group = df.groupby(\'student_id\')
df_inst_stu_cou = df_inst_stu_cou[\'student_id\', df_group.sort([\'student_id\', \'gmt_create\'], ascending=[True, False]).course_id.nth_value(0).rename(\'first_course_id\')]

但是这是并不是取出第一行，而是将所有以student_id分为一组的数据的其他列数据都改为排序后的第一个值, 也就是说原df_inst_stu_cou还没有分组，只是添加了分组的后取出第一个值的一列，所以我们要以student_id分组去重。
所以我们只要再以student_id分组，然后用聚合函数cat将其他所有的列按照行进行连接(这里我的连接符选择了逗号)，然后在map函数中用split分割成列表取第一个即可

df = df.groupby(\'student_id\').agg(df.first_course_id.cat(sep=\',\').rename(\'first_course_ids\'))
df[\'first_course_name\'] = df.first_course_names.map(lambda x: x.split(\',\')[0], \'string\')