Pyspark 将结构数组转换为字符串

Posted 2023-04-13

【中文标题】Pyspark 将结构数组转换为字符串

【英文标题】：Pyspark converting an array of struct into string

【发布时间】：2019-08-06 17:52:25

【问题描述】：

我在 Pyspark 中有以下数据框

+----+-------+-----+                                                            
|name|subject|score|
+----+-------+-----+
| Tom|   math|   90|
| Tom|physics|   70|
| Amy|   math|   95|
+----+-------+-----+

我使用了来自pyspark.sql.functions 的collect_list 和struct 函数

df.groupBy('name').agg(collect_list(struct('subject', 'score')).alias('score_list'))

获取以下数据帧

+----+--------------------+
|name|          score_list|
+----+--------------------+
| Tom|[[math, 90], [phy...|
| Amy|        [[math, 95]]|
+----+--------------------+

我的问题是如何将最后一列 score_list 转换为字符串并将其转储到 csv 文件中，如下所示

Tom     (math, 90) | (physics, 70)
Amy     (math, 95)

感谢任何帮助，谢谢。

更新：Here 是一个类似的问题，但并不完全相同，因为它直接从 string 转到另一个 string。就我而言，我想先将string 转移到collect_list<struct>，最后将这个collect_list<struct> 字符串化。

【问题讨论】：

使用concat_ws - 寻找骗子。

Concatenating string by rows in pyspark、combine text from multiple rows in pyspark 或 Combine multiple rows into a single row 的可能重复项。

你的 spark 版本是多少？

@jxc 我用的是 spark 2.4.3

【参考方案1】：

根据您的更新和评论，对于 Spark 2.4.0+，这是使用 Spark SQL 内置函数对结构数组进行字符串化的一种方法：transform 和 array_join：

>>> df.printSchema()
root
 |-- name: string (nullable = true)
 |-- score_list: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- subject: string (nullable = true)
 |    |    |-- score: integer (nullable = true)

>>> df.show(2,0)
+----+---------------------------+
|name|score_list                 |
+----+---------------------------+
|Tom |[[math, 90], [physics, 70]]|
|Amy |[[math, 95]]               |
+----+---------------------------+

>>> df1.selectExpr(
        "name"
      , """
         array_join(
             transform(score_list, x -> concat('(', x.subject, ', ', x.score, ')'))
           , ' | '
         ) AS score_list
        """
).show(2,0)

+----+--------------------------+
|name|score_list                |
+----+--------------------------+
|Tom |(math, 90) | (physics, 70)|
|Amy |(math, 95)                |
+----+--------------------------+

地点：

使用 transform() 将结构数组转换为字符串数组。对于每个数组元素（结构x），我们使用concat('(', x.subject, ', ', x.score, ')') 将其转换为字符串。 使用 array_join() 将所有数组元素（StringType）与 | 连接起来，这将返回最终字符串

【参考方案2】：

我链接的重复项并不能完全回答您的问题，因为您正在组合多个列。不过，您可以很容易地修改解决方案以适应您想要的输出。

只需将struct 替换为concat_ws。还可以使用concat 添加左括号和右括号以获得所需的输出。

from pyspark.sql.functions import concat, concat_ws, lit

df = df.groupBy('name')\
    .agg(
        concat_ws(
            " | ", 
            collect_list(
                concat(lit("("), concat_ws(", ", 'subject', 'score'), lit(")"))
            )
        ).alias('score_list')
    )
df.show(truncate=False)

#+----+--------------------------+
#|name|score_list                |
#+----+--------------------------+
#|Tom |(math, 90) | (physics, 70)|
#|Amy |(math, 95)                |
#+----+--------------------------+

请注意，由于逗号出现在score_list 列中，如果您使用默认参数，当您写入csv 时，该值将被引用。

例如：

df.coalesce(1).write.csv("test.csv")

将产生以下输出文件：

Tom,"(math, 90) | (physics, 70)"
Amy,"(math, 95)"