PySpark:当列是列表

时间:2016-03-21 13:54:34

标签: python dataframe pyspark

我已经阅读了类似的问题,但无法找到解决我特定问题的方法。

我有一个清单

l = [1, 2, 3]

和一个DataFrame

df = sc.parallelize([
    ['p1', 'a'],
    ['p2', 'b'],
    ['p3', 'c'],
]).toDF(('product', 'name'))

我想获得一个新的DataFrame,其中列表l被添加为另一列,即

+-------+----+---------+
|product|name| new_col |
+-------+----+---------+
|     p1|   a|     1   |
|     p2|   b|     2   |
|     p3|   c|     3   |
+-------+----+---------+

使用JOIN的方法,我用

加入df
 sc.parallelize([[1], [2], [3]])

失败了。使用withColumn的方法,如

new_df = df.withColumn('new_col', l)

失败,因为列表不是Column对象。

3 个答案:

答案 0 :(得分:1)

因此,通过阅读一些有趣的内容here,我确定您无法将随机/任意列附加到给定的DataFrame对象。您想要的更多是zip而不是join。我环顾四周找到了this ticket,这让我觉得如果你有zip而不是DataFrame个对象,你就不能RDD

我能够解决您的问题的唯一方法是离开DataFrame个对象的世界并返回RDD个对象。我还需要为加入目的创建索引,这可能适用于您的用例,也可能不适用。

l = sc.parallelize([1, 2, 3])
index = sc.parallelize(range(0, l.count()))
z = index.zip(l)

rdd = sc.parallelize([['p1', 'a'], ['p2', 'b'], ['p3', 'c']])
rdd_index = index.zip(rdd)

# just in case!
assert(rdd.count() == l.count())
# perform an inner join on the index we generated above, then map it to look pretty.
new_rdd = rdd_index.join(z).map(lambda (x, y): [y[0][0], y[0][1], y[1]])
new_df = new_rdd.toDF(["product", 'name', 'new_col'])

当我运行new_df.show()时,我得到:

+-------+----+-------+
|product|name|new_col|
+-------+----+-------+
|     p1|   a|      1|
|     p2|   b|      2|
|     p3|   c|      3|
+-------+----+-------+
旁白:我真的很惊讶这没有用。看起来像一个外部联接?

from pyspark.sql import Row
l = sc.parallelize([1, 2, 3])
new_row = Row("new_col_name")
l_as_df = l.map(new_row).toDF()
new_df = df.join(l_as_df)

当我运行new_df.show()时,我得到:

+-------+----+------------+
|product|name|new_col_name|
+-------+----+------------+
|     p1|   a|           1|
|     p1|   a|           2|
|     p1|   a|           3|
|     p2|   b|           1|
|     p3|   c|           1|
|     p2|   b|           2|
|     p2|   b|           3|
|     p3|   c|           2|
|     p3|   c|           3|
+-------+----+------------+

答案 1 :(得分:0)

如果product列是唯一的,请考虑以下方法:

原始数据框:

df = spark.sparkContext.parallelize([
    ['p1', 'a'],
    ['p2', 'b'],
    ['p3', 'c'],
]).toDF(('product', 'name'))

df.show()

+-------+----+
|product|name|
+-------+----+
|     p1|   a|
|     p2|   b|
|     p3|   c|
+-------+----+

新列(和新索引列):

lst = [1, 2, 3]
indx = ['p1','p2','p3']

从上面的列表中创建一个新的数据框(带有索引):

from pyspark.sql.types import *
myschema= StructType([ StructField("indx", StringType(), True),
                       StructField("newCol", IntegerType(), True)                       
                     ])
df1=spark.createDataFrame(zip(indx,lst),schema = myschema)
df1.show()
+----+------+
|indx|newCol|
+----+------+
|  p1|     1|
|  p2|     2|
|  p3|     3|
+----+------+

使用创建的索引将其连接到原始数据框:

dfnew = df.join(df1, df.product == df1.indx,how='left')\
          .drop(df1.indx)\
          .sort("product")

获得:

dfnew.show()

+-------+----+------+
|product|name|newCol|
+-------+----+------+
|     p1|   a|     1|
|     p2|   b|     2|
|     p3|   c|     3|
+-------+----+------+

答案 2 :(得分:0)

这可以通过RDD实现。

1将数据帧转换为索引的rdds:

df_rdd = df.rdd.zipWithIndex().map(lambda row: (row[1], (row[0][0], row[0][1])))
l_rdd = sc.parallelize(l).zipWithIndex().map(lambda row: (row[1], row[0]))

2在索引,放置索引和重新排列元素上加入两个RDD:

res_rdd = df_rdd.join(l_rdd).map(lambda row: [row[1][0][0], row[1][0][1], row[1][1]])

3将结果转换为数据框:

res_df = res_rdd.toDF(['product', 'name', 'new_col'])
res_df.show()

+-------+----+-------+
|product|name|new_col|
+-------+----+-------+
|     p1|   a|      1|
|     p2|   b|      2|
|     p3|   c|      3|
+-------+----+-------+