PySpark：当列是列表时，将列添加到 DataFrame

Posted 2023-04-15

【中文标题】PySpark：当列是列表时，将列添加到 DataFrame

【英文标题】：PySpark: Add a column to DataFrame when column is a list

【发布时间】：2016-03-21 13:54:34

【问题描述】：

我已经阅读了类似的问题，但找不到针对我的具体问题的解决方案。

我有一个清单

l = [1, 2, 3]

和一个数据框

df = sc.parallelize([
    ['p1', 'a'],
    ['p2', 'b'],
    ['p3', 'c'],
]).toDF(('product', 'name'))

我想获得一个新的DataFrame，其中列表l被添加为另一列，即

+-------+----+---------+
|product|name| new_col |
+-------+----+---------+
|     p1|   a|     1   |
|     p2|   b|     2   |
|     p3|   c|     3   |
+-------+----+---------+

使用 JOIN 的方法，我用

加入 df

 sc.parallelize([[1], [2], [3]])

失败了。使用withColumn 的方法，如

new_df = df.withColumn('new_col', l)

由于列表不是Column 对象而失败。

【问题讨论】：

我认为这是一个很好的问题，因为它显示了 Spark DataFrames API 中严重缺失的功能。

【参考方案1】：

因此，通过阅读here 的一些有趣内容，我确定您实际上不能只是将随机/任意列附加到给定的DataFrame 对象。看来您想要的更多的是zip，而不是join。我环顾四周，找到了this ticket，这让我觉得你不能zip，因为你有DataFrame而不是RDD对象。

我能够解决您的问题的唯一方法是离开DataFrame 对象的世界并返回RDD 对象。我还需要为连接目的创建一个索引，这可能适用于您的用例，也可能不适用于您的用例。

l = sc.parallelize([1, 2, 3])
index = sc.parallelize(range(0, l.count()))
z = index.zip(l)

rdd = sc.parallelize([['p1', 'a'], ['p2', 'b'], ['p3', 'c']])
rdd_index = index.zip(rdd)

# just in case!
assert(rdd.count() == l.count())
# perform an inner join on the index we generated above, then map it to look pretty.
new_rdd = rdd_index.join(z).map(lambda (x, y): [y[0][0], y[0][1], y[1]])
new_df = new_rdd.toDF(["product", 'name', 'new_col'])

当我运行new_df.show() 时，我得到：

+-------+----+-------+
|product|name|new_col|
+-------+----+-------+
|     p1|   a|      1|
|     p2|   b|      2|
|     p3|   c|      3|
+-------+----+-------+

---

旁注：我真的很惊讶这不起作用。看起来像外连接？

from pyspark.sql import Row
l = sc.parallelize([1, 2, 3])
new_row = Row("new_col_name")
l_as_df = l.map(new_row).toDF()
new_df = df.join(l_as_df)

当我运行new_df.show() 时，我得到：

+-------+----+------------+
|product|name|new_col_name|
+-------+----+------------+
|     p1|   a|           1|
|     p1|   a|           2|
|     p1|   a|           3|
|     p2|   b|           1|
|     p3|   c|           1|
|     p2|   b|           2|
|     p2|   b|           3|
|     p3|   c|           2|
|     p3|   c|           3|
+-------+----+------------+

【讨论】：

请注意，您可以直接使用 df.rdd 将 DataFrame 转换为 RDD，例如在问题中的我的 df 上。

【参考方案2】：

如果product 列是唯一的，则考虑以下方法：

原始数据框：

df = spark.sparkContext.parallelize([
    ['p1', 'a'],
    ['p2', 'b'],
    ['p3', 'c'],
]).toDF(('product', 'name'))

df.show()

+-------+----+
|product|name|
+-------+----+
|     p1|   a|
|     p2|   b|
|     p3|   c|
+-------+----+

新列（和新索引列）：

lst = [1, 2, 3]
indx = ['p1','p2','p3']

从上面的列表中创建一个新的数据框（带有索引）：

from pyspark.sql.types import *
myschema= StructType([ StructField("indx", StringType(), True),
                       StructField("newCol", IntegerType(), True)                       
                     ])
df1=spark.createDataFrame(zip(indx,lst),schema = myschema)
df1.show()
+----+------+
|indx|newCol|
+----+------+
|  p1|     1|
|  p2|     2|
|  p3|     3|
+----+------+

使用创建的索引将其加入原始数据框：

dfnew = df.join(df1, df.product == df1.indx,how='left')\
          .drop(df1.indx)\
          .sort("product")

得到：

dfnew.show()

+-------+----+------+
|product|name|newCol|
+-------+----+------+
|     p1|   a|     1|
|     p2|   b|     2|
|     p3|   c|     3|
+-------+----+------+

【参考方案3】：

这可以通过 RDD 实现。

1 将数据帧转换为索引rdds：

df_rdd = df.rdd.zipWithIndex().map(lambda row: (row[1], (row[0][0], row[0][1])))
l_rdd = sc.parallelize(l).zipWithIndex().map(lambda row: (row[1], row[0]))

2 在索引上加入两个 RDD，删除索引并重新排列元素：

res_rdd = df_rdd.join(l_rdd).map(lambda row: [row[1][0][0], row[1][0][1], row[1][1]])

3 将结果转换为数据框：

res_df = res_rdd.toDF(['product', 'name', 'new_col'])
res_df.show()

+-------+----+-------+
|product|name|new_col|
+-------+----+-------+
|     p1|   a|      1|
|     p2|   b|      2|
|     p3|   c|      3|
+-------+----+-------+