Pyspark数据帧：根据另一列的值提取列

Posted 2021-05-01

我有一个包含以下列和相应值的数据框（原谅我的格式，但不知道如何以表格格式）：

Src_ip     dst_ip     V1     V2     V3     top
"A"         "B"       xx     yy     zz     "V1"

现在我想添加一个列，让我们说top_value，它取与V1中的字符串对应的列的值。

Src_ip     dst_ip     V1     V2     V3     top   top_value
"A"         "B"       xx     yy     zz     "V1"     xx

所以基本上，获取与“top”列中的值对应的值，并创建一个名为“top_value”的新列

我尝试过创建UDF以及使用字符串作为别名但无法这样做。谁能请帮忙。

答案

您可以将V1，V2和V3列收集为struct，并使用udf列传递给top函数，并将值提取为

scala

import org.apache.spark.sql.functions._
def findValueUdf = udf((strct: Row, top: String) => strct.getAs[String](top))

df.withColumn("top_value", findValueUdf(struct("V1", "V2", "V3"), col("top")))

哪个应该给你

+------+------+---+---+---+---+---------+
|Src_ip|dst_ip|V1 |V2 |V3 |top|top_value|
+------+------+---+---+---+---+---------+
|A     |B     |xx |yy |zz |V1 |xx       |
+------+------+---+---+---+---+---------+

pyspark

pyspark中的等效代码将是

from pyspark.sql import functions as f
from pyspark.sql import types as t
def findValueUdf(strct, top):
    return strct[top]

FVUdf = f.udf(findValueUdf, t.StringType())

df.withColumn("top_value", FVUdf(f.struct("V1", "V2", "V3"), f.col("top")))

此外，您可以在列表中定义列名称以在struct函数中使用，这样您就不必对它们进行硬编码。

我希望答案是有帮助的