Question

这就是我在pyspark中创建具有原始数据类型的数据框的方法：

from pyspark.sql.types import StructType, StructField, DoubleType, StringType, IntegerType
fields = [StructField('column1', IntegerType(), True), StructField('column2', IntegerType(), True)]
schema = StructType(fields)
df = spark.createDataFrame([], schema)
values = [tuple([i]) +
          tuple([i])
          for i in range(3)]
df = spark.createDataFrame(values, schema)

现在，如果我想在字典数据中添加第三列，例如：{“ 1”：1.0，“ 2”：2.0，“ 3”：3.0}，该怎么办？我要创建此数据框：

+--------------------+-----------------+------------------------------+
|column1             |column2          |column3                       |
+--------------------+-----------------+------------------------------+
|1                   |1                |{"1": 1.0, "2": 1.0, "3": 1.0}|
+--------------------+-----------------+------------------------------+
|2                   |2                |{"1": 2.0, "2": 2.0, "3": 2.0}|
+--------------------+-----------------+------------------------------+
|3                   |3                |{"1": 3.0, "2": 3.0, "3": 3.0}|
+--------------------+-----------------+------------------------------+

有一个MapType似乎有用，但是我不知道如何使用它？

并假设已创建数据框，如何根据给定的dict选择具有该dict值的数据行来基于第三列对其进行过滤？

Answer 1

示例创建方式：

from pyspark.sql.types import MapType, IntegerType, DoubleType, StringType, StructType, StructField
import pyspark.sql.functions as f

schema = StructType([
            StructField('column1', IntegerType()),
            StructField('column2', IntegerType()),
            StructField('column3', MapType(StringType(), DoubleType()))])

data = [(1, 2, {'a':3.5, 'b':4.2}), (4, 8, {'b':3.7, 'e':4.9})]
df = spark.createDataFrame(data, schema=schema)
df.show()

输出：

+-------+-------+--------------------+
|column1|column2|             column3|
+-------+-------+--------------------+
|      1|      2|[a -> 3.5, b -> 4.2]|
|      4|      8|[e -> 4.9, b -> 3.7]|
+-------+-------+--------------------+

关于如何过滤DataFrame仅留下具有特定键的元素的示例（假设您在地图中没有null值，并且您的Spark版本为2.4+，则早期版本没有element_at）：

filtered_df = df.where(f.element_at(df.column3, 'a').isNotNull())

输出：

+-------+-------+--------------------+
|column1|column2|             column3|
+-------+-------+--------------------+
|      1|      2|[a -> 3.5, b -> 4.2]|
+-------+-------+--------------------+

我可能会误解了您的问题-如果您的意图是只保留map列等于特定词典的行，那将比较棘手。据我所知，Spark在字典类型上没有比较操作（这是不寻常的操作）。有一种方法可以使用udf来实现，但效率不高。该代码可能如下所示：

from pyspark.sql.types import MapType, IntegerType, DoubleType, StringType, StructType, StructField, BooleanType
my_dict = {'b':2.7, 'e':4.9}

from pyspark.sql.functions import udf
def map_equality_comparer(my_dict):
    @udf(BooleanType())
    def comparer(m):
        if len(m) != len(my_dict): return False
        for k, v in m.items():
            if my_dict.get(k) != v: return False
        return True
    return comparer

filtered_df = df.where(map_equality_comparer(my_dict)(df.column3))
filtered_df.show()

如果这对于您来说太慢了，您可以考虑创建字典的规范表示形式并进行比较（例如，将字典转换为键值对的排序数组，并根据这些数组的相等性进行过滤）。

Answer 2

您可以在不使用UDF的情况下使用 create_map(spark2.0+) 来执行此操作，还可以使用要使用的字典创建 MapType 的新列，然后使用如下所示的过滤器来获取 my_dict 等于 column3 的所有行。

from pyspark.sql import functions as F


df.show() #sample dataframe
my_dict = {'b':3.7, 'e':4.9} #dictionary to filter with

#+-------+-------+--------------------+
#|column1|column2|             column3|
#+-------+-------+--------------------+
#|      1|      2|[a -> 3.5, b -> 4.2]|
#|      4|      8|[e -> 4.9, b -> 3.7]|
#+-------+-------+--------------------+

from pyspark.sql import functions as F

df.withColumn("map", F.create_map(*[item for sublist in [[F.lit(x),F.lit(y)]\
                                for x,y in my_dict.items()] for item in sublist]))\
  .filter(' and '.join(["column3.{0}=map.{0}".format(x) for x in my_dict.keys()])+\
          ' and size(column3)=size(map)').drop("map").show()

#+-------+-------+--------------------+
#|column1|column2|             column3|
#+-------+-------+--------------------+
#|      4|      8|[e -> 4.9, b -> 3.7]|
#+-------+-------+--------------------+

有没有一种方法可以将一列字典类型添加到pyspark中的spark数据框中？

2 个答案: