我有DataFrame df
,其中包含一些数据,这些数据是计算过程的结果。然后,我将此DataFrame存储在数据库中以备将来使用。
例如:
val rowsRDD: RDD[Row] = sc.parallelize(
Seq(
Row("first", 2.0, 7.0),
Row("second", 3.5, 2.5),
Row("third", 7.0, 5.9)
)
)
val schema = new StructType()
.add(StructField("id", StringType, true))
.add(StructField("val1", DoubleType, true))
.add(StructField("val2", DoubleType, true))
val df = spark.createDataFrame(rowsRDD, schema)
我需要检查最终DataFrame中的所有列是否都与特定数据类型相对应。当然,一种方法是使用架构创建DataFrame(如上述示例)。但是,在某些情况下,有时会在计算过程中将更改引入数据类型-创建初始DataFrame之后(例如,当更改了应用于DataFrame的某些公式时)。
因此,我想再次检查最终数据框是否与初始架构相对应。如果不对应,那么我想应用相应的转换。有什么办法吗?
答案 0 :(得分:3)
您可以使用模式方法获取数据框的模式
df.schema
定义一个castColumn方法
def castColumn(df: DataFrame, colName: String, randomDataType: DataType): DataFrame = {
df.withColumn(colName, df.col(colName).cast(randomDataType))
}
然后将此方法应用于您需要转换的所有列。
首先,获取一个具有colName和目标dataType的元组数组
//Assume your dataframes have the same column names, you need to sortBy in case the it is not in the same order
// You can also iterate through dfOrigin.schema only and compare their dataTypes with target dataTypes instead of zipping
val differences = (dfOrigin.schema.fields.sortBy{case (x: StructField) => x.name} zip dfTarget.schema.fields.sortBy{case (x: StructField) => x.name}).collect{
case (origin: StructField, target: StructField) if origin.dataType != target.dataType =>
(origin.name, target.dataType)
}
然后
differences.foldLeft(df){
case (acc, value) => castColumn(acc, value._1, value._2)
}
答案 1 :(得分:2)
如果我正确理解了您的要求,下面的示例说明了如何将具有更改的列类型的DataFrame还原为其原始版本:
import org.apache.spark.sql.types._
val df1 = Seq(
(1, "a", 100L, 10.0), (2, "b", 200L, 20.0)
).toDF("c1", "c2", "c3", "c4")
val df2 = Seq(
(1, "a", 100, 10.0f), (2, "b", 200, 20.0f)
).toDF("c1", "c2", "c3", "c4")
df2.printSchema
// root
// |-- c1: integer (nullable = false)
// |-- c2: string (nullable = true)
// |-- c3: integer (nullable = false)
// |-- c4: float (nullable = false)
val fieldsDiffType = (df1.schema.fields zip df2.schema.fields).collect{
case (a: StructField, b: StructField) if a.dataType != b.dataType =>
(a.name, a.dataType)
}
// fieldsDiffType: Array[(String, org.apache.spark.sql.types.DataType)] =
// Array((c3,LongType), (c4,DoubleType))
val df2To1 = fieldsDiffType.foldLeft(df2)( (accDF, field) =>
accDF.withColumn(field._1, col(field._1).cast(field._2))
)
df2To1.printSchema
// root
// |-- c1: integer (nullable = false)
// |-- c2: string (nullable = true)
// |-- c3: long (nullable = false)
// |-- c4: double (nullable = false)
请注意,此解决方案仅在DataFrame列的大小和顺序保持相同且不覆盖Array或Struct之类的类型时有效。
[更新]
如果担心列顺序可能会更改,则可以先执行df1.schema.fields
和df2.schema.fields
的顺序,然后再执行zip
:
df1.schema.fields.sortBy(_.name) zip df2.schema.fields.sortBy(_.name)
答案 2 :(得分:1)
基于https://spark.apache.org/docs/2.2.0/sql-programming-guide.html的无类型数据集操作,它应该是:
df.printSchema()
答案 3 :(得分:0)
您可以尝试
AbstractUser
这会以树格式打印架构。希望这会有所帮助。