pyspark dataframe.groupby 与groupBy

在 Apache PySpark 中，`DataFrame.groupBy()` 和 `.groupby()` 都是用来对 DataFrame 进行分组操作的关键方法。这两个方法本质上是一样的，都用于按照一个或多个列的值来划分 DataFrame 的行，以便我们可以对每个组进行聚合操作。

### 示例及基本用法:

假设我们有一个名为 `df` 的 DataFrame，其中包含以下列: `['age', 'gender', 'score']`，我们想要按性别和年龄分组，并计算每组的平均得分。

import pyspark.sql.functions as F

# 假设我们已经有了一个 DataFrame df

# 使用 groupBy 或 groupby 分组并计算每组的平均 score
result = df.groupBy('gender', 'age').agg(F.avg('score')).selectExpr("gender", "age", "avg(score) as average_score")

在这段代码中：
- `groupBy('gender', 'age')` 指定了我们需要按哪些列进行分组。
- `agg(F.avg('score'))` 指定我们希望对哪一列（在这里是 'score' 列）进行聚合操作。我们使用了 `F.avg()` 函数来计算平均值。
- 最后，`selectExpr(...)` 用于指定返回的结果应该如何表示。这里我们将列名和别名明确列出。

### 关于相关问题：
1. **如何使用 groupBy 对特定列求和？**
- 可以像下面这样使用 `agg(F.sum(column_name))` 来对某一列求和。

2. **能否同时使用多列进行分组？**
- 当然可以，只需将它们作为一组传递给 `groupBy` 方法即可。例如，如果还有另一个分类列 `category`，则可以这样写：`df.groupBy('gender', 'age', 'category')`.

3. **是否可以在分组之后过滤某些结果？**
- 组合使用 `filter` 和 `groupBy` 可以在分组之后进一步筛选结果集。例如，找出所有男性在某个特定年龄段的平均分数可以这样实现：

     result = df.filter(df.gender == 'male').groupBy('age').agg(F.avg('score'))

通过这些示例和讨论，我们了解了如何有效地利用 PySpark 的 `DataFrame.groupBy()` 和 `.groupby()` 方法进行数据分组和聚合操作。