Question

我正在开发基于一组ORC文件的spark数据帧的sql查询。该计划如下：

| Class Name | Zone 1 | Zone 2 | Zone 3 | Zone 4 |
-------------------------------------------------
| 1          |  a     |   b    |   c    |   d    |

现在我有一个名为＆＃34; test＆＃34;的表。如果我这样做：

from pyspark.sql import SparkSession
spark_session = SparkSession.builder.appName("test").getOrCreate()
sdf = spark_session.read.orc("../data/")
sdf.createOrReplaceTempView("test")

然后结果会很好。但我需要在查询中获得更多列，包括数组中的一些字段。

spark_session.sql("select count(*) from test")

我尝试过类似的事情：

In [8]: sdf.take(1)[0]["person"]
Out[8]:
[Row(name='name', value='tom'),
 Row(name='age', value='20'),
 Row(name='gender', value='m')]

但这不起作用。我的问题是：如何访问＆＃34; person＆＃34;中的字段。阵列

谢谢！

编辑：

sdf.printSchema（）

的结果

spark_session.sql("select person.age, count(*) from test group by person.age")

错误讯息：

In [3]: sdf.printSchema()
root
 |-- person: integer (nullable = true)
 |-- customtags: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- name: string (nullable = true)
 |    |    |-- value: string (nullable = true)

Answer 1

我不知道如何仅使用PySpark-SQL执行此操作，但这是使用PySpark DataFrames执行此操作的方法。

基本上，我们可以使用MapType()函数将struct列转换为create_map()。然后我们可以使用字符串索引直接访问字段。

考虑以下示例：

定义架构

schema = StructType([
        StructField('person', IntegerType()),
        StructField(
            'customtags',
            ArrayType(
                StructType(
                    [
                        StructField('name', StringType()),
                        StructField('value', StringType())
                    ]
                )
            )
        )
    ]
)

创建示例DataFrame

data = [
    (
        1, 
        [
            {'name': 'name', 'value': 'tom'},
            {'name': 'age', 'value': '20'},
            {'name': 'gender', 'value': 'm'}
        ]
    ),
    (
        2,
        [
            {'name': 'name', 'value': 'jerry'},
            {'name': 'age', 'value': '20'},
            {'name': 'gender', 'value': 'm'}
        ]
    ),
    (
        3,
        [
            {'name': 'name', 'value': 'ann'},
            {'name': 'age', 'value': '20'},
            {'name': 'gender', 'value': 'f'}
        ]
    )
]
df = sqlCtx.createDataFrame(data, schema)
df.show(truncate=False)
#+------+------------------------------------+
#|person|customtags                          |
#+------+------------------------------------+
#|1     |[[name,tom], [age,20], [gender,m]]  |
#|2     |[[name,jerry], [age,20], [gender,m]]|
#|3     |[[name,ann], [age,20], [gender,f]]  |
#+------+------------------------------------+

将struct列转换为地图

from operator import add
import pyspark.sql.functions as f

df = df.withColumn(
        'customtags',
        f.create_map(
            *reduce(
                add, 
                [
                    [f.col('customtags')['name'][i],
                     f.col('customtags')['value'][i]] for i in range(3)
                ]
            )
        )
    )\
    .select('person', 'customtags')

df.show(truncate=False)
#+------+------------------------------------------+
#|person|customtags                                |
#+------+------------------------------------------+
#|1     |Map(name -> tom, age -> 20, gender -> m)  |
#|2     |Map(name -> jerry, age -> 20, gender -> m)|
#|3     |Map(name -> ann, age -> 20, gender -> f)  |
#+------+------------------------------------------+

这里的问题是你必须知道apriori ArrayType()的长度（在这种情况下为3），因为我不知道动态循环它的方法。这也假设数组的所有行的长度都相同。

我必须在这里使用reduce(add, ...)，因为create_map()需要(key, value)形式的元素对。

按地图列中的字段分组

df.groupBy((f.col('customtags')['name']).alias('name')).count().show()
#+-----+-----+
#| name|count|
#+-----+-----+
#|  ann|    1|
#|jerry|    1|
#|  tom|    1|
#+-----+-----+

df.groupBy((f.col('customtags')['gender']).alias('gender')).count().show()
#+------+-----+
#|gender|count|
#+------+-----+
#|     m|    2|
#|     f|    1|
#+------+-----+

访问pyspark数据帧中的数组的字段

1 个答案: