如何在pyspark数据框中将字符串类型的列转换为int形式？

Question

我在pyspark中有数据框。它的一些数字列包含'nan'，因此当我读取数据并检查数据帧的模式时，这些列将具有“字符串”类型。如何将它们更改为int类型。我将'nan'值替换为0并再次检查模式，但随后它也显示了这些列的字符串类型。我遵循以下代码：

data_df = sqlContext.read.format("csv").load('data.csv',header=True, inferSchema="true")
data_df.printSchema()
data_df = data_df.fillna(0)
data_df.printSchema()

我的数据如下所示：

这里列'Plays'和'drafts'包含整数值，但由于这些列中存在nan，它们被视为字符串类型。

Answer 1

from pyspark.sql.types import IntegerType
data_df = data_df.withColumn("Plays", data_df["Plays"].cast(IntegerType()))
data_df = data_df.withColumn("drafts", data_df["drafts"].cast(IntegerType()))

您可以为每列运行循环，但这是将字符串列转换为整数的最简单方法。

Answer 2

将cast替换为NaN之后，您可以使用0（作为int），

data_df = df.withColumn("Plays", df.call_time.cast('float'))

Answer 3

另一种方法是，如果您有多个字段需要修改，请使用StructField。

例如：

from pyspark.sql.types import StructField,IntegerType, StructType,StringType
newDF=[StructField('CLICK_FLG',IntegerType(),True),
       StructField('OPEN_FLG',IntegerType(),True),
       StructField('I1_GNDR_CODE',StringType(),True),
       StructField('TRW_INCOME_CD_V4',StringType(),True),
       StructField('ASIAN_CD',IntegerType(),True),
       StructField('I1_INDIV_HHLD_STATUS_CODE',IntegerType(),True)
       ]
finalStruct=StructType(fields=newDF)
df=spark.read.csv('ctor.csv',schema=finalStruct)

输出：

之前

root
 |-- CLICK_FLG: string (nullable = true)
 |-- OPEN_FLG: string (nullable = true)
 |-- I1_GNDR_CODE: string (nullable = true)
 |-- TRW_INCOME_CD_V4: string (nullable = true)
 |-- ASIAN_CD: integer (nullable = true)
 |-- I1_INDIV_HHLD_STATUS_CODE: string (nullable = true)

之后：

root
 |-- CLICK_FLG: integer (nullable = true)
 |-- OPEN_FLG: integer (nullable = true)
 |-- I1_GNDR_CODE: string (nullable = true)
 |-- TRW_INCOME_CD_V4: string (nullable = true)
 |-- ASIAN_CD: integer (nullable = true)
 |-- I1_INDIV_HHLD_STATUS_CODE: integer (nullable = true)

这是一个很长的转换过程，但是优点是可以完成所有必填字段。

要注意的是，如果仅为必填字段分配了数据类型，则结果数据帧将仅包含那些已更改的字段。