我看到this post除了我需要使用列表更改数据框的标题之外它有点帮助,因为它很长并且随着我输入的每个数据集而变化,所以我无法写出/新列名称中的硬编码。
例如:
df = sqlContext.read.load("./assets/"+filename,
format='com.databricks.spark.csv',
header='false',
inferSchema='false')
devices = df.first()
metrics = df.take(2)[1]
# Adding the two header rows together as one as a way of later searching through and sorting rows
# delimiter is "..." since it doesn't occur anywhere in the data and we don't have to wory about multiple splits
header = [str(devices[i]) +"..."+ str(metrics[i]) for i in range(len(devices))]
df2 = df.toDF(header)
然后我当然得到这个错误:
IllegalArgumentException:u“要求失败:列数不匹配。\ nOld列名称(278):
标题长度= 278,列数相同。 所以,真正的问题是,当我有一个新名称列表时,如何对数据框中的标题进行非硬编码的重新命名?
我怀疑我必须不以实际列表对象的形式进行输入,但是如何在不迭代每个列的情况下执行此操作(使用selectexpr或别名并使用一个创建几个新的dfs(不可变))一次新的更新列?(哎)
答案 0 :(得分:0)
您可以遍历旧列名称并将新列名称作为别名赋予它们。一个好方法是在python中使用函数zip
。
首先让我们创建列名列表:
old_cols = df.columns
new_cols = [str(d) + "..." + str(m) for d, m in zip(devices, metrics)]
虽然我假设“...”指的是另一个python对象,因为“...”在列名中不是一个好的字符序列。
最后:
df2 = df.select([df[oc].alias(nc) for oc, nc in zip(old_cols, new_cols)])
答案 1 :(得分:0)
我尝试了不同的方法。由于我想模拟硬编码列表(而不是实际列表对象),因此我使用了exec()语句以及使用所有链接头创建的字符串。
注意:这限制为255列。因此,如果你想要更多,你将不得不分手
for i in range(len(header)):
# For the first of the column names, need to initiate the string header_str
if i == 0:
header_str = "'" + str(header[i])+"',"
# For the last of the names, need a different string to close it without a comma
elif i == len(header)-1:
header_str = header_str + "'" + header[i] + "'"
#For everything in the middle: just add it all together the same way
else:
header_str = header_str + "'" + header[i] + "',"
exec("df2 = df.toDF("+ header_str +")")