Question

我正在尝试做一些看起来很简单的事情，但是以某种方式无法确定如何使用pyspark来做。

我有一个带有两列（为简化起见）“ id”和“ strcol”的df，可能有重复的ids

我想做一个df.groupBy（'id'），它将为每个id返回一个strcol值数组

简单示例：

|--id--|--strCol--|
|   a  |  {'a':1} |
|   a  |  {'a':2} |
|   b  |  {'b':3} |
|   b  |  {'b':4} |
|------|----------|
would become
|--id--|-------aggsStr------|
|   a  |  [{'a':1},{'a':2}] |
|   b  |  [{'b':3},{'b':4}] |
|------|--------------------|

我尝试将apply与pandas udf一起使用，但它似乎拒绝返回数组。（或者我可能没有正确使用它）

Answer 1

您可以通过pyspark.sql.functions模块使用collect_list：

from pyspark.sql import functions as F
agg = df.groupby("id").agg(F.collect_list("strCol"))

功能齐全的示例：

import pandas as pd
from pyspark.sql import functions as F

data =  {'id': ['a', 'a', 'b', 'b'], 'strCol': [{'a':1}, {'a':2}, {'b':3}, {'b':4}]}

df_aux = pd.DataFrame(data)

# df type: DataFrame[id: string, strCol: map<string,bigint>]
df = spark.createDataFrame(df_aux) 


# agg type: # DataFrame[id: string, collect_list(strCol): array<map<string,bigint>>]
agg = df.groupby("id").agg(F.collect_list("strCol"))

希望这对您有帮助！

Pyspark将StructType列聚合为每一行的元素数组

1 个答案: