Question

我想在DataFrame中添加一个具有任意值的列（对于每一行都是相同的）。我使用withColumn时出现错误，如下所示：

dt.withColumn('new_column', 10).head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'

似乎我可以通过添加和减去其中一个列（因此将它们添加到零）然后添加我想要的数字（在这种情况下为10）来欺骗函数按照我想要的方式工作：

dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)

[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]

这是非常hacky，对吧？我认为有更合法的方法可以做到这一点吗？

Answer 1

Spark 2.2 +

Spark 2.2引入typedLit来支持Seq，Map和Tuples（SPARK-19254），并且应支持以下调用（Scala）：

import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, .0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Spark 1.3 + （lit）， 1.4 + （array，struct）， 2.0+ < / strong>（map）：

DataFrame.withColumn的第二个参数应为Column，因此您必须使用文字：

from pyspark.sql.functions import lit df.withColumn('new_column', lit(10))

如果您需要复杂的列，可以使用array：
等块来构建这些列
from pyspark.sql.functions import array, create_map, struct df.withColumn("some_array", array(lit(1), lit(2), lit(3))) df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3))) df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

Scala中可以使用完全相同的方法。

import org.apache.spark.sql.functions.{array, lit, map, struct} df.withColumn("new_column", lit(10)) df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

要为structs提供名称，请在每个字段上使用alias：

df.withColumn( "some_struct", struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z")) )

或cast整个对象

df.withColumn( "some_struct", struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>") )

使用UDF也可能，虽然速度较慢。

注意：

可以使用相同的构造将常量参数传递给UDF或SQL函数。

Answer 2

在spark 2.2中，有两种方法可以在DataFrame的列中添加常量值：

1）使用lit

2）使用typedLit。

两者之间的区别在于typedLit也可以处理参数化的scala类型，例如列表，序列和地图

示例DataFrame：

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+

1）使用lit：在名为newcol的新列中添加常量字符串值：

import org.apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))

结果：

+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+

2）使用typedLit：

import org.apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))

结果：

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+

Answer 3

正如其他答案所述，lit 和 typedLit 是如何向 DataFrame 添加常量列。 lit 是一个重要的 Spark 函数，您将经常使用它，但不用于向 DataFrame 添加常量列。

您通常会使用 lit 创建 org.apache.spark.sql.Column 对象，因为这是大多数 org.apache.spark.sql.functions 所需的列类型。

假设您有一个包含 some_date DateType 列的 DataFrame，并且想要添加一个包含 2020 年 12 月 31 日和 some_date 之间的天数的列。

这是您的数据帧：

+----------+
| some_date|
+----------+
|2020-09-23|
|2020-01-05|
|2020-04-12|
+----------+

以下是如何计算到年底的天数：

val diff = datediff(lit(Date.valueOf("2020-12-31")), col("some_date"))
df
  .withColumn("days_till_yearend", diff)
  .show()

+----------+-----------------+
| some_date|days_till_yearend|
+----------+-----------------+
|2020-09-23|               99|
|2020-01-05|              361|
|2020-04-12|              263|
+----------+-----------------+

您还可以使用 lit 创建一个 year_end 列并像这样计算 days_till_yearend：

import java.sql.Date

df
  .withColumn("yearend", lit(Date.valueOf("2020-12-31")))
  .withColumn("days_till_yearend", datediff(col("yearend"), col("some_date")))
  .show()

+----------+----------+-----------------+
| some_date|   yearend|days_till_yearend|
+----------+----------+-----------------+
|2020-09-23|2020-12-31|               99|
|2020-01-05|2020-12-31|              361|
|2020-04-12|2020-12-31|              263|
+----------+----------+-----------------+

大多数情况下，您不需要使用 lit 将常量列附加到 DataFrame。您只需要使用 lit 将 Scala 类型转换为 org.apache.spark.sql.Column 对象，因为这是函数所需要的。

查看 datediff 函数签名：

如您所见，datediff 需要两个 Column 参数。

如何在Spark DataFrame中添加常量列？

3 个答案: