Question

我使用reducebyKey从rdd创建了以下数据框。我想将第一列（最初是键）拆分为2个新的列，用逗号分隔。

scala> result_winr_table.schema
res10: org.apache.spark.sql.types.StructType = StructType(StructField(_1,StructType(StructField(_1,IntegerType,false), StructField(_2,IntegerType,false)),true), StructField(_2,DoubleType,false))

scala> result_winr_table
    res5: org.apache.spark.sql.DataFrame = [_1: struct<_1:int,_2:int>, _2: double]

    scala> result_winr_table.show
    +--------+-------------------+
    |      _1|                 _2|
    +--------+-------------------+
    | [31,88]|              0.475|
    | [18,91]| 0.5833333333333334|
    | [56,95]|0.37142857142857144|
    | [70,61]| 0.6266666666666667|
    |[104,11]| 0.4527911784975879|
    | [42,58]| 0.6857142857142857|
    | [13,82]| 0.3333333333333333|
    | [30,18]|0.49310344827586206|
    | [99,18]|0.44285714285714284|
    | [53,31]| 0.2981366459627329|
    | [52,84]| 0.4444444444444444|
    | [60,38]|               0.38|
    |  [79,9]|0.36666666666666664|
    | [20,85]| 0.4389312977099237|
    | [61,87]| 0.4807692307692308|
    |  [3,67]| 0.4245810055865922|
    | [62,84]|0.47796610169491527|
    |  [9,32]| 0.4727272727272727|
    | [94,44]| 0.5698324022346368|
    | [50,67]|0.45083487940630795|
    +--------+-------------------+

我尝试直接在列上使用split方法但由于类型不匹配而无法正常工作。

实现这一目标的最佳方式是什么？

Answer 1

鉴于schema是

root
 |-- _1: struct (nullable = true)
 |    |-- _1: integer (nullable = false)
 |    |-- _2: integer (nullable = false)
 |-- _2: double (nullable = false)

您可以使用withColumn api，如下所示

result_winr_table.withColumn("first", $"_1._1")
  .withColumn("second", $"_1._2")

如果您不想要原始列，则可以使用.drop("_1")

Answer 2

如果您有一个复杂的结构，在编译时不知道其属性名称，则可以执行以下操作：

case class Foo(a: Int, b: String, c: Boolean)
val df = Seq( (1, Foo(2, "three", false)), (2, Foo(4, "five", true)) ).toDF("id", "foo")

df.show
+---+-----------------+
| id|              foo|
+---+-----------------+
|  1|[2, three, false]|
|  2|  [4, five, true]|
+---+-----------------+

df.select($"*", $"foo.*").show
+---+-----------------+---+-----+-----+
| id|              foo|  a|    b|    c|
+---+-----------------+---+-----+-----+
|  1|[2, three, false]|  2|three|false|
|  2|  [4, five, true]|  4| five| true|
+---+-----------------+---+-----+-----+

Answer 3

像往常一样，希望使用Spark sql解决此问题，下面的sql查询将适用于将Spark 1.6+中的数据框/表展平：

sqlContext.sql(s""" select _1["_1"] as col1, _1["_2"] as col2, _2 as col3 from result_winr_table """)

将数据框中的struct type列拆分为多个列

3 个答案: