连接 Apache Spark DataFrame 中的列

对于原始 SQL，您可以使用 CONCAT：

在 Python 中 df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v")) df.registerTempTable("df") sqlContext.sql("SELECT CONCAT(k, ' ', v) 来自 df")

在 Scala 中导入 sqlContext.implicits._ val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v") df.registerTempTable(" df") sqlContext.sql("SELECT CONCAT(k, ' ', v) FROM df")

从 Spark 1.5.0 开始，您可以将 concat 函数与 DataFrame API 一起使用：

在 Python 中：从 pyspark.sql.functions 导入 concat, col, lit df.select(concat(col("k"), lit(" "), col("v")))

在 Scala 中：导入 org.apache.spark.sql.functions.{concat, lit} df.select(concat($"k", lit(" "), $"v"))

还有一个 concat_ws 函数将字符串分隔符作为第一个参数。

---

这是自定义命名的方法

import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()

给，

+--------+--------+
|colname1|colname2|
+--------+--------+
|   row11|   row12|
|   row21|   row22|
+--------+--------+

通过连接创建新列：

df = df.withColumn('joined_column', 
                    sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()

+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
|   row11|   row12|  row11_row12|
|   row21|   row22|  row21_row22|
+--------+--------+-------------+

---

在 Spark Scala 中连接字符串列的一种方法是使用 concat。

有必要检查空值。因为如果其中一列为空，即使其他列之一确实有信息，结果也将为空。

使用 concat 和 withColumn：

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

使用 concat 和 select：

val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")

使用这两种方法，您将拥有一个 NEW_COLUMN，其值是列的串联：来自原始 df 的 COL1 和 COL2。

---

连接（*列）

v1.5 及更高版本

将多个输入列连接到一个列中。该函数适用于字符串、二进制和兼容的数组列。

例如：new_df = df.select(concat(df.a, df.b, df.c))

concat_ws(sep, *cols)

v1.5 及更高版本

与 concat 类似，但使用指定的分隔符。

例如：new_df = df.select(concat_ws('-', df.col1, df.col2))

map_concat(*cols)

v2.4 及更高版本

用于连接地图，返回所有给定地图的并集。

例如：new_df = df.select(map_concat("map1", "map2"))

使用 concat 运算符 (||)：

v2.3 及更高版本

例如：df = spark.sql("select col_a || col_b || col_c as abc from table_x")

参考：Spark sql doc

---

如果您想使用 DF 执行此操作，您可以使用 udf 根据现有列添加新列。

val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)

//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
    Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))

//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )

//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()

---

从 Spark 2.3(SPARK-22771) Spark SQL 支持连接运算符 ||。

例如;

val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")

---

这是为 pyspark 执行此操作的另一种方法：

#import concat and lit functions from pyspark.sql.functions 
from pyspark.sql.functions import concat, lit

#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])

#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))

#Show the new data frame
personDF.show()

----------RESULT-------------------------

84
+------------+
|East African|
+------------+
|   Ethiopian|
|      Kenyan|
|     Ugandan|
|     Rwandan|
+------------+

---

当您不知道 Dataframe 中列的数量或名称时，这是一个建议。

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

---

我们是否有对应于以下过程的java语法

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

---

在 Spark 2.3.0 中，您可以：

spark.sql( """ select '1' || column_a from table_a """)

---

在 Java 中，您可以这样做来连接多个列。示例代码旨在为您提供一个场景以及如何使用它以便更好地理解。

SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
                        .withColumn("concatenatedCol",
                                concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));


class JavaSparkSessionSingleton {
    private static transient SparkSession instance = null;

    public static SparkSession getInstance(SparkConf sparkConf) {
        if (instance == null) {
            instance = SparkSession.builder().config(sparkConf)
                    .getOrCreate();
        }
        return instance;
    }
}

上面的代码将 col1、col2、col3 连接起来，用“_”分隔来创建一个名为“concatenatedCol”的列。

---

在我的情况下，我想要一个 Pipe-'I' 分隔的行。

from pyspark.sql import functions as F
df.select(F.concat_ws('|','_c1','_c2','_c3','_c4')).show()

这就像黄油上的热刀一样效果很好。

---

像这样使用 concat 方法：

Dataset<Row> DF2 = DF1
            .withColumn("NEW_COLUMN",concat(col("ADDR1"),col("ADDR2"),col("ADDR3"))).as("NEW_COLUMN")

---

使用 sqlContext 在 pySpark 中执行此操作的另一种方法...

#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])

# Now we can concatenate columns and assign the new column a name 
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))

---

确实，有一些漂亮的内置抽象供您完成连接，而无需实现自定义函数。既然你提到了 Spark SQL，所以我猜你正试图通过 spark.sql() 将它作为声明性命令传递。如果是这样，您可以直接通过 SQL 命令完成，例如：SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;

此外，从 Spark 2.3.0 开始，您可以使用以下行中的命令：SELECT col1 || col2 AS concat_column_name FROM <table_name>;

其中，是您首选的分隔符（也可以是空白空间），并且是您尝试从中读取的临时表或永久表。

---

我们也可以简单地使用 SelectExpr。

df1.selectExpr("*","upper(_2||_3) as new")

---

我们可以在数据框的 select 方法中使用 concat()

val fullName = nameDF.select(concat(col("FirstName"), lit(" "), col("LastName")).as("FullName"))

使用 withColumn 和 concat

val fullName1 = nameDF.withColumn("FullName", concat(col("FirstName"), lit(" "), col("LastName")))

使用 spark.sql 连接函数

val fullNameSql = spark.sql("select Concat(FirstName, LastName) as FullName from names")

取自 https://www.sparkcodehub.com/spark-dataframe-concat-column

---

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

注意：要使此代码正常工作，您需要将括号“()”放在“isNotNull”函数中。 -> 正确的是“isNotNull()”。

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull(), col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull(), col("COL2")).otherwise(lit("null"))))

---