Question

String[] col = {"a","b","c"}

数据：

id a b c d e 
101 1 1 1 1 1
102 2 2 2 2 2
103 3 3 3 3 3

预期输出： - 具有列字符串

中指定的列总和的id

id (a+b+c)
101 3
102 6
103 9

如何使用数据框执行此操作？

Answer 1

如果您使用的是java，则可以执行以下操作

import org.apache.spark.SparkConf;
import org.apache.spark.SparkContext;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.types.DataTypes;

static SparkConf conf = new SparkConf().setMaster("local").setAppName("simple");
static SparkContext sc = new SparkContext(conf);
static SQLContext sqlContext = new SQLContext(sc);

public static void main(String[] args) {

    Dataset<Row> df = sqlContext.read()
            .format("com.databricks.spark.csv")
            .option("delimiter", " ")
            .option("header", true)
            .option("inferSchema", true)
            .load("path to the input text file");


    sqlContext.udf().register("sums", (Integer a, Integer b, Integer c) -> a+b+c, DataTypes.IntegerType);
    df.registerTempTable("temp");
    sqlContext.sql("SELECT id, sums(a, b, c) AS `(a+b+c)` FROM temp").show(false);

}

你应该输出

+---+-------+
|id |(a+b+c)|
+---+-------+
|101|3      |
|102|6      |
|103|9      |
+---+-------+

如果您更喜欢不使用SQL查询并使用api，那么您可以按照以下步骤进行操作

import org.apache.spark.sql.expressions.UserDefinedFunction;
import org.apache.spark.sql.types.DataTypes;
import static org.apache.spark.sql.functions.col;
import static org.apache.spark.sql.functions.udf;

    UserDefinedFunction mode = udf((Integer a, Integer b, Integer c) -> a+b+c, DataTypes.IntegerType);
    df.select(col("id"), mode.apply(col("a"), col("b"), col("c")).as("(a+b+c)")).show(false);

Answer 2

您可以使用表达式创建字符串，然后使用expr创建列。换句话说，在这种情况下，您想要创建字符串“a + b + c”，然后您可以使用它。这适用于任意数量的列。

在Scala中，它看起来如下（转换为Java应该相当简单）：

import org.apache.spark.sql.functions.expr

val df = Seq((101,1,1,1,1,1),(102,2,2,2,2,2),(103,3,3,3,3,3)).toDF("id", "a", "b", "c", "d", "e") 

val cols = Seq("a", "b", "c")
val expression = cols.mkString("+")
val colName = "(" + expression + ")"
df.select($"id", expr(expression).as(colName))

会给你：

+---+-------+
| id|(a+b+c)|
+---+-------+
|101|      3|
|102|      6|
|103|      9|
+---+-------+

Answer 3

有很多不同的方法可以做到这一点。您可以使用map，如下所示：

val df = Seq((101,1,1,1,1,1),(102,2,2,2,2,2),(103,3,3,3,3,3)).toDF("id", "a", "b", "c", "d", "e")

df.map(row => (row.getString(0), row.getInt(1)+row.getInt(2)+row.getInt(3)))
  .toDF("id", "a+b+c")

或者您可以使用udf，如下所示：

import org.apache.spark.sql.functions._
import spark.implicits._

val addCols = udf((a: Int, b:Int, c: Int) => a+b+c)
df.select('id, addCols('a, 'b, 'c) as "a+b+c")

或者选择Shaido的建议:)

Answer 4

这在Java中对我有效：

final var allDataFamilyDf = allDataDf.withColumn("FamilySize",
    functions.col("SibSp").plus(functions.col("Parch")));

Answer 5

更干净的Java方法（如@ shaido-reinstate-monica所述）：

String[] columnNames = {"a","b","c"};      // columnNames is the list of column names to be added together
Buffer<Column> sums = JavaConversions.asScalaBuffer(ImmutableList.of(columnNames).stream().map(name -> col(name)).collect(Collectors.toList()));

String expression = sums.mkString("+");
df.selectExpr("id", expression);     // where df is the dataset with columns "id", "a", "b", and "c"

使用数据框在Java中汇总Spark中的n列

5 个答案: