分割特定的PySpark df列并创建另一个DF

Question

我有一个 dataframe （例如ac_df），其中包含32个不同的列。我想获得一个特定的列，并将这些值分成3个块作为一个新值，并从中创建另一个df。

ac_df['payment_history_1']给出以下结果

我想要一个具有以下结构的新df。

例如：如果我采用第一行'000000000000'，则将其分组为

'000'，'000'，'000'，'000'

这将创建新df的第一行。

执行此任务的Python等效代码如下：

temp1 = ac_df['payment_history_1'].str.split(r'(...)', expand=True)

在火花中，我尝试了以下操作：

temp1 = ac_df.select(ac_df['payment_history_1']).rdd.map(lambda each_row: str(each_row[0])).map(lambda y: y.split(r'(...)')).collect()

输出：

 [['000000000000'], ['000000000003000000000'], ['000000000003000000000000000']]

但是，我无法继续前进并获得理想的结果。有人可以建议吗？

Answer 1

尝试一下，您将可以在此基础上构建：

df = spark.createDataFrame(
        [
            [1, '000000000000'], 
            [2, '000000000003000000000'], 
            [3, '000000000003000000000000000']
        ]
        , ["id", "numbers"]
        )


df.show()

应产生与您以以下内容开头的数据帧相似的内容：

+---+--------------------+
| id|             numbers|
+---+--------------------+
|  1|        000000000000|
|  2|00000000000300000...|
|  3|00000000000300000...|
+---+--------------------+

使用数字列，您将能够将其解析为一个“，”分隔的字符串，从中可以应用以下字符串： posexplode（expr）-将数组expr的元素分隔成多个具有位置的行，或将map的元素分解为多个具有位置的行和列。

df.select(
    "id",
    f.split("numbers", ",").alias("numbers"),
    f.posexplode(f.split("numbers", ",")).alias("pos", "val")
).show()

应显示：

+---+--------------------+---+---+
| id|             numbers|pos|val|
+---+--------------------+---+---+
|  1|[000, 000, 000, 000]|  0|000|
|  1|[000, 000, 000, 000]|  1|000|
|  1|[000, 000, 000, 000]|  2|000|
|  1|[000, 000, 000, 000]|  3|000|
|  2|[000, 000, 000, 0...|  0|000|
|  2|[000, 000, 000, 0...|  1|000|
|  2|[000, 000, 000, 0...|  2|000|
|  2|[000, 000, 000, 0...|  3|003|
|  2|[000, 000, 000, 0...|  4|000|
|  2|[000, 000, 000, 0...|  5|000|
|  2|[000, 000, 000, 0...|  6|000|
|  3|[000, 000, 000, 0...|  0|000|
|  3|[000, 000, 000, 0...|  1|000|
|  3|[000, 000, 000, 0...|  2|000|
|  3|[000, 000, 000, 0...|  3|003|
|  3|[000, 000, 000, 0...|  4|000|
|  3|[000, 000, 000, 0...|  5|000|
|  3|[000, 000, 000, 0...|  6|000|
|  3|[000, 000, 000, 0...|  7|000|
|  3|[000, 000, 000, 0...|  8|000|
+---+--------------------+---+---+

接下来，我们使用pyspark.sql.functions.expr来获取此数组中索引pos处的元素。

第一个是我们新列的名称，它将是数字和数组中索引的串联。第二列将是数组中相应索引处的值。我们通过利用pyspark.sql.functions.expr的功能来获得后者，该功能允许我们将列值用作参数。

df.select(
    "id",
    f.split("numbers", ",").alias("numbers"),
    f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
    "id",
    f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
    f.expr("numbers[pos]").alias("val")
)\
.show()

结果：

+---+--------+---+
| id|  number|val|
+---+--------+---+
|  1|numbers0|000|
|  1|numbers1|000|
|  1|numbers2|000|
|  1|numbers3|000|
|  2|numbers0|000|
|  2|numbers1|000|
|  2|numbers2|000|
|  2|numbers3|003|
|  2|numbers4|000|
|  2|numbers5|000|
|  2|numbers6|000|
|  3|numbers0|000|
|  3|numbers1|000|
|  3|numbers2|000|
|  3|numbers3|003|
|  3|numbers4|000|
|  3|numbers5|000|
|  3|numbers6|000|
|  3|numbers7|000|
|  3|numbers8|000|
+---+--------+---+

最后，我们可以按ID分组并旋转DataFrame

df.select(
    "id",
    f.split("numbers", ",").alias("numbers"),
    f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
    "id",
    f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
    f.expr("numbers[pos]").alias("val")
)\
.groupBy("id").pivot("number").agg(f.first("val"))\
.show()

给出最终的数据帧：

从中获取了详细信息： Split Spark Dataframe string column into multiple columns