contagem_aproximada_distinta

Retorna uma nova coluna, que estima a contagem aproximada de elementos distintos em uma coluna especificada ou em um grupo de colunas.

Sintaxe

Python

from pyspark.sql import functions as sf

sf.approx_count_distinct(col, rsd=None)

Parâmetros

Parâmetro	Tipo	Descrição
col	pyspark.sql.Column ou nome da coluna	O rótulo da coluna na qual serão contados os valores distintos.
rsd	flutuar, opcional	O desvio padrão relativo máximo permitido (default = 0,05). Se rsd < 0,01, seria mais eficiente usar count_distinct.

Devoluções

pyspark.sql.ColumnUm novo objeto Column representando a contagem aproximada de valores únicos.

Exemplos

Exemplo 1 : Contagem de valores distintos em um DataFrame de coluna única representando números inteiros

Python

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

Output

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

Exemplo 2 : Contagem de valores distintos em um DataFrame de coluna única representando strings

Python

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

Output

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

Exemplo 3 : Contando valores distintos em um DataFrame com múltiplas colunas

Python

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()

Output

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

Exemplo 4 : Contagem de valores distintos com um desvio padrão relativo especificado

Python

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()

Output

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