如何使用udf更新包含数组的spark数据框列

Posted 2023-04-13

【中文标题】如何使用udf更新包含数组的spark数据框列

【英文标题】：how to update spark dataframe column containing array using udf

【发布时间】：2019-10-29 06:06:43

【问题描述】：

我有一个数据框：

+--------------------+------+
|people              |person|
+--------------------+------+
|[[jack, jill, hero]]|joker |
+--------------------+------+

这是架构：

root
 |-- people: struct (nullable = true)
 |    |-- person: array (nullable = true)
 |    |    |-- element: string (containsNull = true)
 |-- person: string (nullable = true)

这里，root--person 是一个字符串。所以，我可以使用 udf 更新这个字段：

def updateString = udf((s: String) => 
    "Mr. " + s
)

df.withColumn("person", updateString(col("person"))).select("person").show(false)

输出：

+---------+
|person   |
+---------+
|Mr. joker|
+---------+

我想对包含人员数组的 root--people--person 列执行相同的操作。如何使用 udf 实现这一点？

def updateArray = udf((arr: Seq[Row]) => ???

df.withColumn("people", updateArray(col("people.person"))).select("people").show(false)

预期：

+------------------------------+
|people                        |
+------------------------------+
|[Mr. hero, Mr. jack, Mr. jill]|
+------------------------------+

编辑：我还想在更新 root--people--person 后保留其架构。

人的预期模式：

df.select("people").printSchema()

root
 |-- people: struct (nullable = false)
 |    |-- person: array (nullable = true)
 |    |    |-- element: string (containsNull = true)

谢谢，

【参考方案1】：

这里的问题是 people 是只有 1 个字段的结构。在您的 UDF 中，您需要返回 Tuple1，然后进一步转换您的 UDF 的输出以保持名称正确：

def updateArray = udf((r: Row) => Tuple1(r.getAs[Seq[String]](0).map(x=>"Mr."+x)))

val newDF = df
  .withColumn("people",updateArray($"people").cast("struct<person:array<string>>"))

newDF.printSchema()
newDF.show()

给予

root
 |-- people: struct (nullable = true)
 |    |-- person: array (nullable = true)
 |    |    |-- element: string (containsNull = true)
 |-- person: string (nullable = true)


+--------------------+------+
|              people|person|
+--------------------+------+
|[[Mr.jack, Mr.jil...| joker|
+--------------------+------+

【讨论】：

你也可以在 PySpark 中回答吗？

【参考方案2】：

因为您只需要更新您的功能，一切都保持不变。 这是代码sn-p。

scala> df2.show
+------+------------------+
|people|            person|
+------+------------------+
| joker|[jack, jill, hero]|
+------+------------------+
//jus order is changed
I just updated your function instead of using Row I am using here Seq[String]

scala> def updateArray = udf((arr: Seq[String]) => arr.map(x=>"Mr."+x))
scala> df2.withColumn("test",updateArray($"person")).show(false)
+------+------------------+---------------------------+
|people|person            |test                       |
+------+------------------+---------------------------+
|joker |[jack, jill, hero]|[Mr.jack, Mr.jill, Mr.hero]|
+------+------------------+---------------------------+
//keep all the column for testing purpose you could drop if you dont want.

如果您想了解更多信息，请告诉我。

【讨论】：

谢谢@Mahesh，这很有魅力，但我也想保留它的模式。我已经更新了这个问题。能否请您查看并更新答案。

您的输入是 [jack, jill, hero] 并且您希望输出为 [Mr.英雄，杰克先生，吉尔先生] 对吗？

【参考方案3】：

让我们为测试创建数据

scala> val data = Seq((List(Array("ja", "ji", "he")), "person")).toDF("people", "person")
data: org.apache.spark.sql.DataFrame = [people: array<array<string>>, person: string]

scala> data.printSchema
root
 |-- people: array (nullable = true)
 |    |-- element: array (containsNull = true)
 |    |    |-- element: string (containsNull = true)
 |-- person: string (nullable = true)

根据我们的要求创建 UDF

scala> def arrayConcat(array:Seq[Seq[String]], str: String) = array.map(_.map(str + _))
arrayConcat: (array: Seq[Seq[String]], str: String)Seq[Seq[String]]

scala> val arrayConcatUDF = udf(arrayConcat _)
arrayConcatUDF: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function2>,ArrayType(ArrayType(StringType,true),true),Some(List(ArrayType(ArrayType(StringType,true),true), StringType)))

应用 udf

scala> data.withColumn("dasd", arrayConcatUDF($"people", lit("Mr."))).show(false)
+--------------------------+------+-----------------------------------+
|people                    |person|dasd                               |
+--------------------------+------+-----------------------------------+
|[WrappedArray(ja, ji, he)]|person|[WrappedArray(Mr.ja, Mr.ji, Mr.he)]|
+--------------------------+------+-----------------------------------+

您可能需要稍作调整（我认为几乎不需要任何调整），但这包含了解决您的问题的大部分内容

【讨论】：

这不是正确的架构（您的输入数据）