Question

让我举一个简单的例子来解释我想要做的事情。我们假设我们有两个非常简单的数据框如下：

Df1
+---+---+---+
| a1| a2| a3|
+---+---+---+
|  2|  3|  7|
|  1|  9|  6|
+---+---+---+

Df2
+---+---+
| b1| b2|
+---+---+
| 10|  2|
|  9|  3|
+---+---+

从df1，df2，我们需要创建一个新的df，其列是来自df1，df2的原始列的笛卡尔积。特别是，新的df将具有'a1b1'，'a1b2'，'a2b1'，'a2b2'，'a3b1'，'a3b2'，并且这些行将是来自df1，df2的相应列的乘法。结果df应如下所示：

Df3
+----+----+----+----+----+----+
|a1b1|a1b2|a2b1|a2b2|a3b1|a3b2|
+----+----+----+----+----+----+
|  20|   4|  30|   6|  70|  14|
|   9|   3|  81|  27|  54|  18|
+----+----+----+----+----+----+

我搜索了火花在线文档以及此处发布的问题，但似乎它们都是关于行的笛卡尔积，而不是列。例如，rdd.cartesian（）提供了行中不同值组合的笛卡尔积，如下面的代码：

r = sc.parallelize([1, 2])
r.cartesian(r).toDF().show()

+---+---+
| _1| _2|
+---+---+
|  1|  1|
|  1|  2|
|  2|  1|
|  2|  2|
+---+---+

但这不是我需要的。同样，我需要创建新列而不是行。在我的问题中，行数将保持不变。我理解udf最终可以解决问题。然而，在我的实际应用程序中，我们有庞大的数据集，创建所有列需要很长时间（大约500个新列作为列的所有可能组合）。我们更喜欢有一些矢量操作，这可能会提高效率。我可能错了，但是火花udf似乎是基于行操作，这可能是它花了这么长时间才完成的原因。

非常感谢任何建议/反馈/意见。

为方便起见，我在此处附加了简单代码，以创建上面显示的示例数据框：

df1 = sqlContext.createDataFrame([[2,3,7],[1,9,6]],['a1','a2','a3'])
df1.show()

df2 = sqlContext.createDataFrame([[10,2],[9,3]],['b1','b2'])
df2.show()

Answer 1

据我所知，它并不简单。以下是使用eval：

的镜头

# function to add rownumbers in a dataframe
def addrownum(df):
    dff = df.rdd.zipWithIndex().toDF(['features','rownum'])
    odf = dff.map(lambda x : tuple(x.features)+tuple([x.rownum])).toDF(df.columns+['rownum'])
    return odf

df1_ = addrownum(df1)
df2_ = addrownum(df2)
# Join based on rownumbers
outputdf = df1_.rownum.join(df2_,df1_.rownum==df2_.rownum).drop(df1_.rownum).drop(df2_.rownum)

n1 = ['a1','a2','a3']  # columns in set1
n2 = ['b1','b2']       # columns in set2

# I create a string of expression that I want to execute
eval_list = ['x.'+l1+'*'+'x.'+l2 for l1 in n1 for l2 in n2]
eval_str = '('+','.join(eval_list)+')'
col_list = [l1+l2 for l1 in n1 for l2 in n2] 

dfcartesian = outputdf.map(lambda x:eval(eval_str)).toDF(col_list)

可能对你有帮助的其他东西是spark.ml.feature中的Elementwise产品，但它也同样复杂。您可以将元素从一个列表中逐个元素地添加到另一个列表中，然后将特征向量扩展回数据帧。

如何基于pyspark数据帧中多列的笛卡尔积创建新列

1 个答案: