我的问题基于PySpark: Add a new column with a tuple created from columns中的类似问题,区别在于我有一个值列表而不是每列一个值。例如:
+---------------+---------------+--------------------+
| v1| v2| v_tuple|
+---------------+---------------+--------------------+
|[2.0, 1.0, 9.0]|[9.0, 7.0, 2.0]|[(2.0,9.0), (1.0,...|
|[4.0, 8.0, 9.0]|[1.0, 1.0, 2.0]|[(4.0,1.0), (8.0,...|
+---------------+---------------+--------------------+
我想要得到的是像每行列表一样的拉链元素,但我不能在pyspark 1.6中找到它:
{{1}}
注意:数组的大小可能因行而异,但对于同一行列,它总是相同的。
答案 0 :(得分:2)
如果数组的大小因行而异,则需要UDF:
from pyspark.sql.functions import udf
@udf("array<struct<_1:double,_2:double>>")
def zip_(xs, ys):
return list(zip(xs, ys))
df.withColumn("v_tuple", zip_("v1", "v2"))
在Spark 1.6中:
from pyspark.sql.types import *
zip_ = udf(
lambda xs, ys: list(zip(xs, ys)),
ArrayType(StructType([StructField("_1", DoubleType()), StructField("_2", DoubleType())])))