如何将嵌套的Struct列展开为多列？

Posted 2021-03-28

我正在尝试使用嵌套的struct类型（见下文）将DataFrame列扩展为多个列。我正在使用的Struct模式看起来像{"foo": 3, "bar": {"baz": 2}}。

理想情况下，我想将上面的内容扩展为两列（"foo"和"bar.baz"）。然而，当我尝试使用.select("data.*")（其中data是Struct列）时，我只得到foo和bar列，其中bar仍然是struct。

有没有办法可以扩展两个图层的Struct？

答案

你可以选择data.bar.baz作为bar.baz：

df.show()
+-------+
|   data|
+-------+
|[3,[2]]|
+-------+

df.printSchema()
root
 |-- data: struct (nullable = false)
 |    |-- foo: long (nullable = true)
 |    |-- bar: struct (nullable = false)
 |    |    |-- baz: long (nullable = true)

在pyspark：

import pyspark.sql.functions as F
df.select(F.col("data.foo").alias("foo"), F.col("data.bar.baz").alias("bar.baz")).show()
+---+-------+
|foo|bar.baz|
+---+-------+
|  3|      2|
+---+-------+

另一答案

我最终选择了以下函数，以递归方式“展开”分层结构：

从本质上讲，它不断挖掘Struct字段并保持其他字段完整，这种方法消除了当df.select(...)有很多字段时需要非常长的Struct语句。这是代码：

# Takes in a StructType schema object and return a column selector that flattens the Struct
def flatten_struct(schema, prefix=""):
    result = []
    for elem in schema:
        if isinstance(elem.dataType, StructType):
            result += flatten_struct(elem.dataType, prefix + elem.name + ".")
        else:
            result.append(col(prefix + elem.name).alias(prefix + elem.name))
    return result


df = sc.parallelize([Row(r=Row(a=1, b=Row(foo="b", bar="12")))]).toDF()
df.show()
+----------+
|         r|
+----------+
|[1,[12,b]]|
+----------+

df_expanded = df.select("r.*")
df_flattened = df_expanded.select(flatten_struct(df_expanded.schema))

df_flattened.show()
+---+-----+-----+
|  a|b.bar|b.foo|
+---+-----+-----+
|  1|   12|    b|
+---+-----+-----+