Question

我有以下方式的数据集：

FieldA    FieldB    ArrayField
1         A         {1,2,3}
2         B         {3,5}

我想在 ArrayField 上分解数据，因此输出将按以下方式显示：

FieldA    FieldB    ExplodedField
1         A         1
1         A         2
1         A         3
2         B         3
2         B         5

我的意思是我想为 ArrayField 中的每个项目生成输出行，同时保留其他字段的值。

你将如何在Spark中实现它。请注意，输入数据集非常大。

Answer 1

explode功能应该完成。

pyspark版本：

>>> df = spark.createDataFrame([(1, "A", [1,2,3]), (2, "B", [3,5])],["col1", "col2", "col3"])
>>> from pyspark.sql.functions import explode
>>> df.withColumn("col3", explode(df.col3)).show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|   A|   1|
|   1|   A|   2|
|   1|   A|   3|
|   2|   B|   3|
|   2|   B|   5|
+----+----+----+

Scala版本

scala> val df = Seq((1, "A", Seq(1,2,3)), (2, "B", Seq(3,5))).toDF("col1", "col2", "col3")
df: org.apache.spark.sql.DataFrame = [col1: int, col2: string ... 1 more field]

scala> df.withColumn("col3", explode($"col3")).show()
+----+----+----+
|col1|col2|col3|
+----+----+----+
|   1|   A|   1|
|   1|   A|   2|
|   1|   A|   3|
|   2|   B|   3|
|   2|   B|   5|
+----+----+----+

Answer 2

您可以使用爆炸功能以下是您案例的简单示例 import org.apache.spark.sql.functions ._

import spark.implicits._

  val data = spark.sparkContext.parallelize(Seq(
    (1, "A", List(1,2,3)),
    (2, "B", List(3, 5))
  )).toDF("FieldA", "FieldB", "FieldC")

    data.withColumn("ExplodedField", explode($"FieldC")).drop("FieldC")

希望这有帮助！

Answer 3

爆炸完全符合你的要求。文档：

http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.functions.explode

此外，以下是使用它的另一个问题的示例：

https://stackoverflow.com/a/44418598/1461187

将数组数据分解为spark中的行

3 个答案: