我有一个spark数据帧,这里是架构:
|-- eid: long (nullable = true)
|-- age: long (nullable = true)
|-- sex: long (nullable = true)
|-- father: array (nullable = true)
| |-- element: array (containsNull = true)
| | |-- element: long (containsNull = true)
和行样本:。
df.select(df['father']).show()
+--------------------+
| father|
+--------------------+
|[WrappedArray(-17...|
|[WrappedArray(-11...|
|[WrappedArray(13,...|
+--------------------+
,类型是
DataFrame[father: array<array<bigint>>]
我想要的是折叠father
列,例如,如果13
是此数组的成员,则创建一个新列并返回1
,否则返回0
这是我尝试的第一件事:
def modify_values(r):
if 13 in r:
return 1
else:
return 0
my_udf = udf(modify_values, IntegerType())
df.withColumn("new_col",my_udf(df['father'].getItem(0))).show()
并返回此错误:
Py4JJavaError: An error occurred while calling o817.showString.
TypeError: argument of type 'NoneType' is not iterable
然后我尝试了这个:
df.withColumn("new_col", F.when(1 in df["father"].getItem(0), 1).otherwise(0))
抱怨是:
ValueError: Cannot convert column into bool: please use '&' for 'and', '|' for 'or', '~' for 'not' when building DataFrame boolean expressions.
答案 0 :(得分:1)
查看schema
的{{1}},dataframe
和when
函数的简单组合可以解决您的问题
array_contains
如果您仍想尝试使用df.withColumn("new_col", when(array_contains($"father"(0), 13), 1).otherwise(0)).show(false)
功能,这种方法比上述方式更慢,您应该更改udf
功能,如下所示
udf
我希望这个答案可以解决您的所有问题