Question

我有一个带有n个cols的pyspark数据帧（df），我想生成另一个n col的df，其中每列记录相应的原始df列中b / w连续行的百分比差异。新df中的列标题应为旧数据框中的==对应列标题+＆＃34; _diff＆＃34;。使用以下代码，我可以为原始df中的每个列生成新的百分比更改列，但是无法将它们粘贴到具有合适列标题的新df中：

from pyspark.sql import SparkSession
from pyspark.sql.window import Window
import pyspark.sql.functions as func

spark = (SparkSession
            .builder
            .appName('pct_change')
            .enableHiveSupport()
            .getOrCreate())

df = spark.createDataFrame([(1, 10, 11, 12), (2, 20, 22, 24), (3, 30, 33, 36)], 
                       ["index", "col1", "col2", "col3"])
w = Window.orderBy("index")

for i in range(1, len(df.columns)):
    col_pctChange = func.log(df[df.columns[i]]) - func.log(func.lag(df[df.columns[i]]).over(w))

由于

Answer 1

在这种情况下，您可以在对select的调用中进行列表理解。

为了使代码更紧凑，我们可以首先在列表中获取我们想要的列：

diff_columns = [c for c in df.columns if c != 'index']

接下来选择索引并迭代diff_columns以计算新列。使用.alias()重命名结果列：

df_diff = df.select(
    'index',
    *[(func.log(func.col(c)) - func.log(func.lag(func.col(c)).over(w))).alias(c + "_diff")
      for c in diff_columns]
)
df_diff.show()
#+-----+------------------+-------------------+-------------------+
#|index|         col1_diff|          col2_diff|          col3_diff|
#+-----+------------------+-------------------+-------------------+
#|    1|              null|               null|               null|
#|    2| 0.693147180559945| 0.6931471805599454| 0.6931471805599454|
#|    3|0.4054651081081646|0.40546510810816416|0.40546510810816416|
#+-----+------------------+-------------------+-------------------+

Pyspark：Concat函数生成的列成新的数据帧

1 个答案: