我有一个带有MapType
列的pyspark DataFrame,并希望通过键名将其分解为所有列
root
|-- a: map (nullable = true)
| |-- key: string
| |-- value: long (valueContainsNull = true)
我想做sp_test.select('a.*')
但出现错误:
AnalysisException:'只能加星展开结构数据类型。属性:
ArrayBuffer(a)
;'
如果我们知道所有的键,那么就可以做到
sp_test.select(['a.%s'%item for item in ['a','b']]).show()
但我想删除键依赖性
如果我们有StrucType列,则可以通过执行display(nested_df.select('*', 'nested_array.*'))
root
|-- _corrupt_record: string (nullable = true)
|-- field1: long (nullable = true)
|-- field2: long (nullable = true)
|-- nested_array: struct (nullable = true)
| |-- nested_field1: long (nullable = true)
| |-- nested_field2: long (nullable = true)
我有一些疑问:
MapType
是否可以强制转换为StructType
?MapType
查询子键吗?答案 0 :(得分:3)
TL; DR:除非您提前知道可能的键,否则没有简单的方法来完成您要问的事情。
让我用一个例子来解释为什么和选择什么。
首先,创建以下数据框:
data = [({'a': 1, 'b': 2},), ({'c':3},), ({'a': 4, 'c': 5},)]
df = spark.createDataFrame(data, ["a"])
df.show()
#+-------------------+
#| a|
#+-------------------+
#|Map(a -> 1, b -> 2)|
#| Map(c -> 3)|
#|Map(a -> 4, c -> 5)|
#+-------------------+
具有以下架构:
df.printSchema()
#root
# |-- a: map (nullable = true)
# | |-- key: string
# | |-- value: long (valueContainsNull = true)
MapType
是否可以强制转换为StructType
?
除非您提前知道按键,否则简单的答案是“否”(至少不是很有效)。
MapType
和StructType
之间的区别在于,映射的键值对是逐行独立的。 StructType
列不是这种情况-在结构列中,所有行都具有相同的结构字段。
由于这个原因,spark无法轻松推断要从地图中创建哪些列。 (请记住,火花在每行上并行运行)。另一方面,将结构分解为列很简单,因为所有列都提前知道。
因此,如果您知道键,则可以通过以下方式构造结构类型:
import pyspark.sql.functions as f
df_new = df.select(
f.struct(*[f.col("a").getItem(c).alias(c) for c in ["a", "b", "c"]]).alias("a")
)
df_new.show()
#+-------------+
#| a|
#+-------------+
#| [1,2,null]|
#|[null,null,3]|
#| [4,null,5]|
#+-------------+
新架构为:
df_new.printSchema()
#root
# |-- a: struct (nullable = false)
# | |-- a: long (nullable = true)
# | |-- b: long (nullable = true)
# | |-- c: long (nullable = true)
- 我们可以直接从MapType查询子键吗?
是的,(如上所示),您可以使用getItem()
从列表中的索引处或通过地图中的键获取项目。
如果您不知道键,则唯一的选择是将地图explode
分成行groupby
和pivot
。
df.withColumn("id", f.monotonically_increasing_id())\
.select("id", f.explode("a"))\
.groupby("id")\
.pivot("key")\
.agg(f.first("value"))\
.drop("id")\
.show()
#+----+----+----+
#| a| b| c|
#+----+----+----+
#|null|null| 3|
#| 1| 2|null|
#| 4|null| 5|
#+----+----+----+
在这种情况下,我们需要首先创建一个id
列,以便进行分组。
这里的pivot
可能很昂贵,具体取决于数据的大小。