Pyspark with function argument,grouBy,limit

Use Case -1

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *
from unicodedata import category

class spark():
    def schema1(self):
        schema1=StructType([StructField('name',StringType(),True),
                            StructField('age',IntegerType(),True),
                            StructField('city',StringType(),True),
                            StructField('state',StringType(),True),
                            StructField('category',StringType(),True),
                            StructField('st_date',DateType(),True)])
        return schema1

    def fun(self,cat):
        spark=SparkSession.builder.getOrCreate()
        rfile=spark.read.format('csv').load('D:\Documents\data\patient_data.csv',schema=self.schema1())
        data1=rfile.groupBy('category','state','city','st_date').count().withColumnRenamed('count','cnt').orderBy(desc('cnt'))
        #data1.where("st_date='{}'".format(date1)).show()
        print("{}".format(cat))
        data1.where("category='{}'".format(cat)).show()

obj=spark()
obj.fun(cat='A')
#obj.fun(date1='2020-03-18')

##Use Case -2  function SUM, COUNT, OrderBy, OrderBy in single pipeline

cat_sch=StructType([StructField("cate", StringType(),True),                                                                

                                                    StructField("num",IntegerType(),True)])

rfile=spark.read.format('csv').load('D:/Documents/data/sample.csv',schema=cat_sch)

df2=rfile.groupBy('cate').agg(count('cate').alias('cnt'),sum('num').alias('cat_sum')).orderBy(desc('cnt'))

df2.show()