在 PySpark 中将 StringType 转换为 ArrayType

Posted 2023-04-15

【中文标题】在 PySpark 中将 StringType 转换为 ArrayType

【英文标题】：Convert StringType to ArrayType in PySpark

【发布时间】：2018-04-05 21:31:05

【问题描述】：

我正在尝试在我的数据集上运行 PySpark 中的 FPGrowth 算法。

from pyspark.ml.fpm import FPGrowth

fpGrowth = FPGrowth(itemsCol="name", minSupport=0.5,minConfidence=0.6) 
model = fpGrowth.fit(df)

我收到以下错误：

An error occurred while calling o2139.fit.
: java.lang.IllegalArgumentException: requirement failed: The input 
column must be ArrayType, but got StringType.
at scala.Predef$.require(Predef.scala:224)

我的 Dataframe df 格式为：

df.show(2)

+---+---------+--------------------+
| id|     name|               actor|
+---+---------+--------------------+
|  0|['ab,df']|                 tom|
|  1|['rs,ce']|                brad|
+---+---------+--------------------+
only showing top 2 rows

如果我在“名称”列中的数据采用以下形式，则 FP 算法有效：

 name
[ab,df]
[rs,ce]

我如何以这种从 StringType 转换为 ArrayType 的形式获得它

我从我的 RDD 中形成了 Dataframe：

rd2=rd.map(lambda x: (x[1], x[0][0] , [x[0][1]]))

rd3 = rd2.map(lambda p:Row(id=int(p[0]),name=str(p[2]),actor=str(p[1])))
df = spark.createDataFrame(rd3)

rd2.take(2):

[(0, 'tom', ['ab,df']), (1, 'brad', ['rs,ce'])]

【参考方案1】：

用逗号分隔数据框 name 列中的每一行。 例如

from pyspark.sql.functions import pandas_udf, PandasUDFType

@pandas_udf('list', PandasUDFType.SCALAR)
def split_comma(v):
    return v[1:-1].split(',')

df.withColumn('name', split_comma(df.name))

或者更好，不要推迟这个。将名称直接设置为列表。

rd2 = rd.map(lambda x: (x[1], x[0][0], x[0][1].split(',')))
rd3 = rd2.map(lambda p:Row(id=int(p[0]), name=p[2], actor=str(p[1])))

【参考方案2】：

基于your previous question，您似乎错误地构建了rdd2。

试试这个：

rd2 = rd.map(lambda x: (x[1], x[0][0] , x[0][1].split(",")))
rd3 = rd2.map(lambda p:Row(id=int(p[0]), name=p[2], actor=str(p[1])))

变化是我们在x[0][1] 上调用str.split(",")，以便它将像'a，b' 这样的字符串转换为列表：['a', 'b']。