Question

我想基于每一行上给定列的值复制DataFrame中的所有行，然后索引每个新行。假设我有：

Column A Column B
T1       3
T2       2

我希望结果是：

Column A Column B Index
T1       3        1
T1       3        2
T1       3        3
T2       2        1
T2       2        2

我能够使用固定值执行类似的操作，但是无法使用列中的信息。我当前的固定值工作代码是：

idx = [lit(i) for i in range(1, 10)]
df = df.withColumn('Index', explode(array( idx ) ))

我尝试更改：

lit(i) for i in range(1, 10)

到

lit(i) for i in range(1, df['Column B'])

并将其添加到我的array（）函数中：

df = df.withColumn('Index', explode(array( lit(i) for i in range(1, df['Column B']) ) ))

，但不起作用（TypeError：“ Column”对象无法解释为整数）。

我应该如何实现呢？

Answer 1

不幸的是，您不能iterate over a Column那样。您始终可以使用udf，但是我确实有一个非udf ~~hack~~ 解决方案，如果您使用的是Spark 2.1或更高版本，该解决方案应该对您有用。

诀窍是利用pyspark.sql.functions.posexplode()来获取索引值。我们通过重复逗号Column B来创建一个字符串来做到这一点。然后，我们在逗号上分割此字符串，并使用posexplode获取索引。

df.createOrReplaceTempView("df")  # first register the DataFrame as a temp table

query = 'SELECT '\
    '`Column A`,'\
    '`Column B`,'\
    'pos AS Index '\
    'FROM ( '\
        'SELECT DISTINCT '\
        '`Column A`,'\
        '`Column B`,'\
        'posexplode(split(repeat(",", `Column B`), ",")) '\
        'FROM df) AS a '\
    'WHERE a.pos > 0'
newDF = sqlCtx.sql(query).sort("Column A", "Column B", "Index")
newDF.show()
#+--------+--------+-----+
#|Column A|Column B|Index|
#+--------+--------+-----+
#|      T1|       3|    1|
#|      T1|       3|    2|
#|      T1|       3|    3|
#|      T2|       2|    1|
#|      T2|       2|    2|
#+--------+--------+-----+

注意：您需要将列名包装在反引号中，因为它们之间有空格，如本帖子所述：How to express a column which name contains spaces in Spark SQL

Answer 2

You can try this:

    from pyspark.sql.window import Window
    from pyspark.sql.functions import *
    from pyspark.sql.types import ArrayType, IntegerType
    from pyspark.sql import functions as F
    df = spark.read.csv('/FileStore/tables/stack1.csv', header = 'True', inferSchema = 'True')

    w = Window.orderBy("Column A")
    df = df.select(row_number().over(w).alias("Index"), col("*"))

    n_to_array = udf(lambda n : [n] * n ,ArrayType(IntegerType()))
    df2 = df.withColumn('Column B', n_to_array('Column B'))
    df3= df2.withColumn('Column B', explode('Column B'))
    df3.show()

Pyspark复制行基于列值

2 个答案: