Question

我有一个DataFrame myDf，它包含一对点数组（即x和y坐标），它有以下模式：

myDf.printSchema

root
 |-- pts: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- x: float (nullable = true)
 |    |    |-- y: float (nullable = true)

我想将x和y作为单独的普通Scala Array来获取。我想我需要应用爆炸功能，但我无法弄清楚如何。我试图应用this解决方案，但我无法让它工作。

我使用Spark 1.6.1和Scala 2.10

编辑：我意识到我对Spark如何工作有误解，只有收集数据（或使用UDF）才能获得实际数组

Answer 1

假设从myDf文件中DataFrame json读取：

{
 "pts":[
    {
     "x":0.0,
     "y":0.1
    },
    {
     "x":1.0,
     "y":1.1
    },
    {
     "x":2.0,
     "y":2.1
    }
  ]
}

你可以这样做explode：

<强>爪哇：

DataFrame pts = myDf.select(org.apache.spark.sql.functions.explode(df.col("pts")).as("pts"))
                    .select("pts.x", "pts.y");
pts.printSchema();
pts.show();

<强> Scala的：

// Sorry I don't know Scala
// I just interpreted from the above Java code
// Code here may have some mistakes
val pts = myDf.select(explode($"pts").as("pts"))
              .select($"pts.x", $"pts.y")
pts.printSchema()
pts.show()

这是印刷架构：

root
 |-- x: double (nullable = true)
 |-- y: double (nullable = true)

以下是pts.show()结果：

+---+---+
|  x|  y|
+---+---+
|0.0|0.1|
|1.0|1.1|
|2.0|2.1|
+---+---+

Answer 2

有两种方法可以将点作为计划scala Arrays获取：

收集给司机：

val localRows = myDf.take(10)
val xs: Array[Float] = localRows.map(_.getAs[Float]("x"))
val ys: Array[Float] = localRows.map(_.getAs[Float]("y"))

或在UDF内部：

val processArr = udf((pts:WrappedArray[Row]) => {

  val xs: Array[Float] = pts.map(_.getAs[Float]("x")).array
  val ys: Array[Float] = pts.map(_.getAs[Float]("y")).array
  //...do something with it
})

}

将嵌套的Spark DataFrame中的列提取为scala Arrays

2 个答案: