Question

困难在于，我试图尽可能避免使用UDF。

我有一个数据集“ wordsDS”，其中包含许多空值：

+------+------+------+------+
|word_0|word_1|word_2|word_3|
+------+------+------+------+
|     a|     b|  null|     d|
|  null|     f|     m|  null|
|  null|  null|     d|  null|
+--------------+------+-----|

我需要收集要排列的每一行的所有列。我事先不知道列数，所以我正在使用columns（）方法。

groupedQueries = wordsDS.withColumn("collected",
      functions.array(Arrays.stream(wordsDS.columns())
               .map(functions::col).toArray(Column[]::new)));;

但是这种方法会产生空元素：

+--------------------+
|           collected|
+--------------------+
|           [a, b,,d]|
|          [, f, m,,]|
|            [,, d,,]|
+--------------------+

相反，我需要以下结果：

+--------------------+
|           collected|
+--------------------+
|           [a, b, d]|
|              [f, m]|
|                 [d]|
+--------------------+

因此，基本上，我需要收集每一行的所有列以符合以下要求：

结果数组不包含空元素。
不知道预先的列数。

我也采用了对数据集的“收集”列进行空值过滤的方法，但是除了UDF之外，别无其他选择。我正在尝试避免UDF，以免降低性能，如果有人可以建议一种方法以尽可能少的开销为空值过滤数据集的“收集”列，那将非常有帮助

Answer 1

您可以使用array("*")将所有元素放入1个数组中，然后使用array_except（需要Spark 2.4+）来过滤出空值：

df
  .select(array_except(array("*"),array(lit(null))).as("collected"))
  .show()

给予

+---------+
|collected|
+---------+
|[a, b, d]|
|   [f, m]|
|      [d]|
+---------+

Answer 2

火花<2.0，您可以使用def删除null

scala> var df = Seq(("a",  "b",  "null",  "d"),("null",  "f",  "m",  "null"),("null",  "null",  "d",  "null")).toDF("word_0","word_1","word_2","word_3")


scala> def arrayNullFilter = udf((arr: Seq[String]) => arr.filter(x=>x != "null"))

scala> df.select(array('*).as('all)).withColumn("test",arrayNullFilter(col("all"))).show
+--------------------+---------+
|                 all|     test|
+--------------------+---------+
|     [a, b, null, d]|[a, b, d]|
|  [null, f, m, null]|   [f, m]|
|[null, null, d, n...|      [d]|
+--------------------+---------+

希望这对您有所帮助。

仅将每行的非空列收集到数组中

2 个答案: