Question

我正在寻找一种方法，使用PySpark将函数应用于RDD并将结果放入新列中。使用DataFrames，它看起来很简单：鉴于：

rdd = sc.parallelize([(u'1751940903', u'2014-06-19', '2016-10-19'), (u'_guid_VubEgxvPPSIb7W5caP-lXg==', u'2014-09-10', '2016-10-19')])

我的代码可能如下所示：

df= rdd.toDF(['gigya', 'inscription','d_date'])
df.show()
+--------------------+-------------------------+----------+
|               gigya|              inscription|    d_date|
+--------------------+-------------------------+----------+
|          1751940903|               2014-06-19|2016-10-19|
|_guid_VubEgxvPPSI...|               2014-09-10|2016-10-19|
+--------------------+-------------------------+----------+

然后：

from pyspark.sql.functions import split, udf, col
get_period_day = udf(lambda item : datetime.strptime(item, "%Y-%m-%d").timetuple().tm_yday)

df.select('d_date', 'gigya', 'inscription', get_period_day(col('d_date')).alias('period_day')).show()

+----------+--------------------+-------------------------+----------+
|    d_date|               gigya|inscription_service_6Play|period_day|
+----------+--------------------+-------------------------+----------+
|2016-10-19|          1751940903|               2014-06-19|       293|
|2016-10-19|_guid_VubEgxvPPSI...|               2014-09-10|       293|
+----------+--------------------+-------------------------+----------+

有没有办法在不需要将我的RDD转换为DataFrame的情况下执行相同的操作？有地图的例子..

此代码可以让我从预期结果中获得一部分：

rdd.map(lambda x: datetime.strptime(x[1], '%Y-%m-%d').timetuple().tm_yday).cache().collect()

帮助？

Answer 1

尝试：

rdd.map(lambda x:
  x + (datetime.strptime(x[1], '%Y-%m-%d').timetuple().tm_yday, ))

或：

def g(x):
    return x + (datetime.strptime(x[1], '%Y-%m-%d').timetuple().tm_yday, )

rdd.map(g)

如何在RDD上使用函数并获取新列（Pyspark）？

1 个答案: