为什么列1st_from_end
包含null:
from pyspark.sql.functions import split
df = sqlContext.createDataFrame([('a b c d',)], ['s',])
df.select( split(df.s, ' ')[0].alias('0th'),
split(df.s, ' ')[3].alias('3rd'),
split(df.s, ' ')[-1].alias('1st_from_end')
).show()
答案 0 :(得分:6)
不幸的是,spark数据帧不支持对数组进行-1
索引,但您可以编写自己的UDF或使用内置的size()
函数,例如:
>>> from pyspark.sql.functions import size
>>> splitted = df.select(split(df.s, ' ').alias('arr'))
>>> splitted.select(splitted.arr[size(splitted.arr)-1]).show()
+--------------------+
|arr[(size(arr) - 1)]|
+--------------------+
| d|
+--------------------+
答案 1 :(得分:1)
对于 Spark 2.40 + ,请使用pyspark.sql.functions.element_at,请参见文档中的以下内容:
element_at(array,index)-返回给定(从1开始)索引处的数组元素。如果index <0,则从最后到第一个访问元素。如果索引超过数组的长度,则返回NULL。
from pyspark.sql.functions import element_at, split, col
df = spark.createDataFrame([('a b c d',)], ['s',])
df.withColumn('arr', split(df.s, ' ')) \
.select( col('arr')[0].alias('0th')
, col('arr')[3].alias('3rd')
, element_at(col('arr'), -1).alias('1st_from_end')
).show()
+---+---+------------+
|0th|3rd|1st_from_end|
+---+---+------------+
| a| d| d|
+---+---+------------+
答案 2 :(得分:0)
创建自己的udf看起来像这样
def get_last_element(l):
return l[-1]
get_last_element_udf = F.udf(get_last_element)
df.select(get_last_element(split(df.s, ' ')).alias('1st_from_end')
答案 3 :(得分:0)
基于jamiet的解决方案,我们可以通过删除reverse
from pyspark.sql.functions import split, reverse
df = sqlContext.createDataFrame([('a b c d',)], ['s',])
df.select( split(df.s, ' ')[0].alias('0th'),
split(df.s, ' ')[3].alias('3rd'),
reverse(split(df.s, ' '))[-1].alias('1st_from_end')
).show()