Question

我正在使用Apache Spark 2.0 Dataframe / Dataset API 我想从List of values向我的数据框添加一个新列。我的列表具有与给定数据帧相同数量的值。

val list = List(4,5,10,7,2)
val df   = List("a","b","c","d","e").toDF("row1")

我想做点什么：

val appendedDF = df.withColumn("row2",somefunc(list))
df.show()
// +----+------+
// |row1 |row2 |
// +----+------+
// |a    |4    |
// |b    |5    |
// |c    |10   |
// |d    |7    |
// |e    |2    |
// +----+------+

对于任何想法我会很高兴，我的数据框实际上包含更多列。

Answer 1

你可以这样做：

import org.apache.spark.sql.Row
import org.apache.spark.sql.types._    

// create rdd from the list
val rdd = sc.parallelize(List(4,5,10,7,2))
// rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[31] at parallelize at <console>:28

// zip the data frame with rdd
val rdd_new = df.rdd.zip(rdd).map(r => Row.fromSeq(r._1.toSeq ++ Seq(r._2)))
// rdd_new: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[33] at map at <console>:32

// create a new data frame from the rdd_new with modified schema
spark.createDataFrame(rdd_new, df.schema.add("new_col", IntegerType)).show
+----+-------+
|row1|new_col|
+----+-------+
|   a|      4|
|   b|      5|
|   c|     10|
|   d|      7|
|   e|      2|
+----+-------+

Answer 2

添加完整性：输入list（存在于驱动程序内存中）与DataFrame具有相同的大小这一事实表明这是一个小的DataFrame，因此您可以考虑collect() - 使用list进行压缩，然后根据需要转换回DataFrame：

df.collect()
  .map(_.getAs[String]("row1"))
  .zip(list).toList
  .toDF("row1", "row2")

这不会更快，但如果数据非常小，则可以忽略不计，代码（可以说）更清晰。

Apache Spark如何将列/数组中的新列追加到Spark数据帧

2 个答案: