如网络上的 many other locations 中所述,向现有 DataFrame 添加新列并不简单。不幸的是,拥有此功能很重要(即使它在分布式环境中效率低下),尤其是在尝试使用 unionAll
连接两个 DataFrame
时。
将 null
列添加到 DataFrame
以促进 unionAll
的最优雅的解决方法是什么?
我的版本是这样的:
from pyspark.sql.types import StringType
from pyspark.sql.functions import UserDefinedFunction
to_none = UserDefinedFunction(lambda x: None, StringType())
new_df = old_df.withColumn('new_column', to_none(df_old['any_col_from_old']))
您需要的只是文字和演员表:
from pyspark.sql.functions import lit
new_df = old_df.withColumn('new_column', lit(None).cast(StringType()))
一个完整的例子:
df = sc.parallelize([row(1, "2"), row(2, "3")]).toDF()
df.printSchema()
## root
## |-- foo: long (nullable = true)
## |-- bar: string (nullable = true)
new_df = df.withColumn('new_column', lit(None).cast(StringType()))
new_df.printSchema()
## root
## |-- foo: long (nullable = true)
## |-- bar: string (nullable = true)
## |-- new_column: string (nullable = true)
new_df.show()
## +---+---+----------+
## |foo|bar|new_column|
## +---+---+----------+
## | 1| 2| null|
## | 2| 3| null|
## +---+---+----------+
可在此处找到等效的 Scala:Create new Dataframe with empty/null field values
我会将 lit(None) 转换为 NullType 而不是 StringType。因此,如果我们必须过滤掉该列上的非空行......它可以很容易地完成如下
df = sc.parallelize([Row(1, "2"), Row(2, "3")]).toDF()
new_df = df.withColumn('new_column', lit(None).cast(NullType()))
new_df.printSchema()
df_null = new_df.filter(col("new_column").isNull()).show()
df_non_null = new_df.filter(col("new_column").isNotNull()).show()
如果要转换为 StringType,请注意不要使用 lit("None")(with quotes),因为它会在 col("new_column") 上搜索具有过滤条件 .isNull() 的记录时失败。
Parquet data source does not support null data type.;
。 StringType()
工作。
没有 import StringType
的选项
df = df.withColumn('foo', F.lit(None).cast('string'))
完整示例:
from pyspark.sql import SparkSession, functions as F
spark = SparkSession.builder.getOrCreate()
df = spark.range(1, 3).toDF('c')
df = df.withColumn('foo', F.lit(None).cast('string'))
df.printSchema()
# root
# |-- c: long (nullable = false)
# |-- foo: string (nullable = true)
df.show()
# +---+----+
# | c| foo|
# +---+----+
# | 1|null|
# | 2|null|
# +---+----+
new_column not in df.columns
检查,但无法使其工作。withColumn('blah', where(has_column(df['blah']) == False)....
类型的构造中。必须缺少一些语法结构。如果不存在,我想添加一个带有 Null 的列。这个答案是前者,另一个检查后者。df if has_column(df) else df.withColumn(....)
- 没有特定的 Spark。withColumn
中包含条件代码,而必须使用 UDF。谢谢!