使用 pyspark 和 aws 胶水进行数据转置

Posted

技术标签:

【中文标题】使用 pyspark 和 aws 胶水进行数据转置【英文标题】:Data Transposing with pyspark and aws glue 【发布时间】:2020-06-12 13:12:50 【问题描述】:

我是 pyspark 的新手,我在数据转置方面面临一些挑战。我正在使用 aws 胶水来运行这项工作。当前数据如下所示:

+-----------------+-----+------+-----+
|  Country        |Code |1969  |1979 |
+-----------------+------------------+
|  United States  | USA | 1234 | 4569|
--------------------------------------

我需要将数据转置为:

+-----------------+-----+-------+----------+
|Country          |Code | Year | Population| 
+-----------------+-------------------------
|United States.   |USA  | 1969 | 1234.     |
--------------------------------------------
|United States.   |USA  | 1970 | 4569.     |
--------------------------------------------

我曾尝试使用胶水映射功能,但这比那个要复杂得多。任何帮助将不胜感激。

【问题讨论】:

【参考方案1】:

我认为你需要的是一个 Pyspark,相当于一个 pandas melt:

from typing import Iterable

from pyspark.sql import functions as F
from pyspark.sql import DataFrame
def melt(
        df: DataFrame, 
        id_vars: Iterable[str], value_vars: Iterable[str], 
        var_name: str="variable", value_name: str="value") -> DataFrame:
    """Convert :class:`DataFrame` from wide to long format."""

    # Create array<struct<variable: str, value: ...>>
    _vars_and_vals = array(*(
        struct(lit(c).alias(var_name), col(c).alias(value_name)) 
        for c in value_vars))

    # Add to the DataFrame and explode
    _tmp = df.withColumn("_vars_and_vals", explode(_vars_and_vals))

    cols = id_vars + [
            col("_vars_and_vals")[x].alias(x) for x in [var_name, value_name]]
    return _tmp.select(*cols)

然后

melt(df, id_vars=['Country', 'Code'], value_vars=['1969', '1979']
    var_name=['Year'], value_name=['Population'] ).show()

【讨论】:

以上是关于使用 pyspark 和 aws 胶水进行数据转置的主要内容,如果未能解决你的问题,请参考以下文章

aws 胶水 pyspark 删除数组中的结构,但保留数据并保存到 dynamodb

使用 pyspark aws 胶水时显示 DataFrame

如何使用 pyspark 在 aws 胶水中展平嵌套 json 中的数组?

为啥我的 aws 胶水作业只使用一个执行器和驱动程序?

使用python对pyspark数据帧进行转置操作

将胶水pyspark错误写入文本文件