我见过很多人建议 Dataframe.explode
是一种有用的方法来执行此操作,但它会导致比原始数据框更多的行,这根本不是我想要的。我只是想做非常简单的 Dataframe 等价物:
rdd.map(lambda row: row + [row.my_str_col.split('-')])
这看起来像:
col1 | my_str_col
-----+-----------
18 | 856-yygrm
201 | 777-psgdg
并将其转换为:
col1 | my_str_col | _col3 | _col4
-----+------------+-------+------
18 | 856-yygrm | 856 | yygrm
201 | 777-psgdg | 777 | psgdg
我知道 pyspark.sql.functions.split()
,但它会产生一个嵌套数组列,而不是我想要的两个顶级列。
理想情况下,我希望这些新列也被命名。
pyspark.sql.functions.split()
是正确的方法 - 您只需将嵌套的 ArrayType 列展平为多个顶级列。在这种情况下,每个数组只包含 2 个项目,这很容易。您只需使用 Column.getItem()
将数组的每个部分作为列本身检索:
split_col = pyspark.sql.functions.split(df['my_str_col'], '-')
df = df.withColumn('NAME1', split_col.getItem(0))
df = df.withColumn('NAME2', split_col.getItem(1))
结果将是:
col1 | my_str_col | NAME1 | NAME2
-----+------------+-------+------
18 | 856-yygrm | 856 | yygrm
201 | 777-psgdg | 777 | psgdg
我不确定在嵌套数组从行到行的大小不同的一般情况下如何解决这个问题。
这是针对一般情况的解决方案,不需要提前知道数组的长度,使用 collect
或使用 udf
s。不幸的是,这仅适用于 spark
2.1 及更高版本,因为它需要 posexplode
函数。
假设您有以下 DataFrame:
df = spark.createDataFrame(
[
[1, 'A, B, C, D'],
[2, 'E, F, G'],
[3, 'H, I'],
[4, 'J']
]
, ["num", "letters"]
)
df.show()
#+---+----------+
#|num| letters|
#+---+----------+
#| 1|A, B, C, D|
#| 2| E, F, G|
#| 3| H, I|
#| 4| J|
#+---+----------+
拆分 letters
列,然后使用 posexplode
分解结果数组以及数组中的位置。接下来使用 pyspark.sql.functions.expr
抓取此数组中索引 pos
处的元素。
import pyspark.sql.functions as f
df.select(
"num",
f.split("letters", ", ").alias("letters"),
f.posexplode(f.split("letters", ", ")).alias("pos", "val")
)\
.show()
#+---+------------+---+---+
#|num| letters|pos|val|
#+---+------------+---+---+
#| 1|[A, B, C, D]| 0| A|
#| 1|[A, B, C, D]| 1| B|
#| 1|[A, B, C, D]| 2| C|
#| 1|[A, B, C, D]| 3| D|
#| 2| [E, F, G]| 0| E|
#| 2| [E, F, G]| 1| F|
#| 2| [E, F, G]| 2| G|
#| 3| [H, I]| 0| H|
#| 3| [H, I]| 1| I|
#| 4| [J]| 0| J|
#+---+------------+---+---+
现在我们根据这个结果创建两个新列。第一个是我们的新列的名称,它将是 letter
和数组中的索引的连接。第二列将是数组中相应索引处的值。我们通过利用 pyspark.sql.functions.expr
的功能来获得后者,它允许我们 use column values as parameters。
df.select(
"num",
f.split("letters", ", ").alias("letters"),
f.posexplode(f.split("letters", ", ")).alias("pos", "val")
)\
.drop("val")\
.select(
"num",
f.concat(f.lit("letter"),f.col("pos").cast("string")).alias("name"),
f.expr("letters[pos]").alias("val")
)\
.show()
#+---+-------+---+
#|num| name|val|
#+---+-------+---+
#| 1|letter0| A|
#| 1|letter1| B|
#| 1|letter2| C|
#| 1|letter3| D|
#| 2|letter0| E|
#| 2|letter1| F|
#| 2|letter2| G|
#| 3|letter0| H|
#| 3|letter1| I|
#| 4|letter0| J|
#+---+-------+---+
现在我们只需 groupBy
num
和 pivot
DataFrame。综上所述,我们得到:
df.select(
"num",
f.split("letters", ", ").alias("letters"),
f.posexplode(f.split("letters", ", ")).alias("pos", "val")
)\
.drop("val")\
.select(
"num",
f.concat(f.lit("letter"),f.col("pos").cast("string")).alias("name"),
f.expr("letters[pos]").alias("val")
)\
.groupBy("num").pivot("name").agg(f.first("val"))\
.show()
#+---+-------+-------+-------+-------+
#|num|letter0|letter1|letter2|letter3|
#+---+-------+-------+-------+-------+
#| 1| A| B| C| D|
#| 3| H| I| null| null|
#| 2| E| F| G| null|
#| 4| J| null| null| null|
#+---+-------+-------+-------+-------+
这是另一种方法,以防您想用分隔符拆分字符串。
import pyspark.sql.functions as f
df = spark.createDataFrame([("1:a:2001",),("2:b:2002",),("3:c:2003",)],["value"])
df.show()
+--------+
| value|
+--------+
|1:a:2001|
|2:b:2002|
|3:c:2003|
+--------+
df_split = df.select(f.split(df.value,":")).rdd.flatMap(
lambda x: x).toDF(schema=["col1","col2","col3"])
df_split.show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
| 1| a|2001|
| 2| b|2002|
| 3| c|2003|
+----+----+----+
我不认为这种到 RDD 的来回转换会减慢您的速度……也不必担心最后一个模式规范:它是可选的,您可以避免将解决方案推广到列大小未知的数据。
df
,可以将列的名称传递给 split
,即 df.select(f.split("value",":"))...
我理解你的痛苦。使用 split() 可以工作,但也可能导致中断。
让我们使用您的 df 并对其进行轻微更改:
df = spark.createDataFrame([('1:"a:3":2001',),('2:"b":2002',),('3:"c":2003',)],["value"])
df.show()
+------------+
| value|
+------------+
|1:"a:3":2001|
| 2:"b":2002|
| 3:"c":2003|
+------------+
如果您尝试将 split() 应用于上述内容:
df_split = df.select(split(df.value,":")).rdd.flatMap(
lambda x: x).toDF(schema=["col1","col2","col3"]).show()
你会得到
IllegalStateException:输入行没有架构所需的预期值数量。需要 4 个字段,同时提供 3 个值。
那么,有没有更优雅的方法来解决这个问题?我很高兴有人向我指出了这一点。 pyspark.sql.functions.from_csv() 是您的朋友。
以我上面的例子df:
from pyspark.sql.functions import from_csv
# Define a column schema to apply with from_csv()
col_schema = ["col1 INTEGER","col2 STRING","col3 INTEGER"]
schema_str = ",".join(col_schema)
# define the separator because it isn't a ','
options = {'sep': ":"}
# create a df from the value column using schema and options
df_csv = df.select(from_csv(df.value, schema_str, options).alias("value_parsed"))
df_csv.show()
+--------------+
| value_parsed|
+--------------+
|[1, a:3, 2001]|
| [2, b, 2002]|
| [3, c, 2003]|
+--------------+
然后我们可以轻松地展平 df 以将值放在列中:
df2 = df_csv.select("value_parsed.*").toDF("col1","col2","col3")
df2.show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
| 1| a:3|2001|
| 2| b|2002|
| 3| c|2003|
+----+----+----+
没有休息。数据正确解析。生活很好。喝杯啤酒。
split_col.getItem(2 - n)
。我想像上面的循环那样为所有项目创建列然后将它们连接起来可能会起作用,但我不知道这是否非常有效。