approx_count_distinct

Vrátí nový sloupec, který odhaduje přibližný počet jedinečných prvků v zadaném sloupci nebo skupině sloupců.

Syntaxe

from pyspark.sql import functions as sf

sf.approx_count_distinct(col, rsd=None)

Parametry

Parameter	Typ	Description
col	pyspark.sql.Column nebo název sloupce	Popisek sloupce pro počítání jedinečných hodnot.
rsd	float, volitelné	Maximální povolená relativní směrodatná odchylka (výchozí hodnota = 0,05). Pokud by rsd < 0.01, bylo by efektivnější používat count_distinct.

Návraty

pyspark.sql.Column: Nový objekt Column představující přibližný jedinečný počet.

Examples

Příklad 1: Počítání jedinečných hodnot v datovém rámci s jedním sloupcem představujícím celá čísla

from pyspark.sql import functions as sf
df = spark.createDataFrame([1,2,2,3], "int")
df.agg(sf.approx_count_distinct("value")).show()

+----------------------------+
|approx_count_distinct(value)|
+----------------------------+
|                           3|
+----------------------------+

Příklad 2: Počítání jedinečných hodnot v jednom sloupci Datový rámec představující řetězce

from pyspark.sql import functions as sf
df = spark.createDataFrame([("apple",), ("orange",), ("apple",), ("banana",)], ['fruit'])
df.agg(sf.approx_count_distinct("fruit")).show()

+----------------------------+
|approx_count_distinct(fruit)|
+----------------------------+
|                           3|
+----------------------------+

Příklad 3: Počítání jedinečných hodnot v datovém rámci s více sloupci

from pyspark.sql import functions as sf
df = spark.createDataFrame(
    [("Alice", 1), ("Alice", 2), ("Bob", 3), ("Bob", 3)], ["name", "value"])
df = df.withColumn("combined", sf.struct("name", "value"))
df.agg(sf.approx_count_distinct(df.combined)).show()

+-------------------------------+
|approx_count_distinct(combined)|
+-------------------------------+
|                              3|
+-------------------------------+

Příklad 4: Počítání jedinečných hodnot se zadanou relativní směrodatnou odchylkou

from pyspark.sql import functions as sf
spark.range(100000).agg(
    sf.approx_count_distinct("id").alias('with_default_rsd'),
    sf.approx_count_distinct("id", 0.1).alias('with_rsd_0.1')
).show()

+----------------+------------+
|with_default_rsd|with_rsd_0.1|
+----------------+------------+
|           95546|      102065|
+----------------+------------+