如何根据 PySpark 数据框的另一列中的值修改列？ F.当边缘情况

Posted 2023-04-15

【中文标题】如何根据 PySpark 数据框的另一列中的值修改列？ F.当边缘情况

【英文标题】：How to modify a column based on the values in another column of a PySpark dataframe? F.when edge case

【发布时间】：2019-04-24 18:28:54

【问题描述】：

我想浏览 pyspark 数据框中的每一行，并根据另一列的内容更改一列的值。我将其更改为的值也是基于要更改的列的当前值。

具体来说，我有一列包含 DenseVectors，另一列包含我需要的向量的索引。

或者，我也可以将 DenseVector 替换为 DenseVector 中两个值中较大的一个。

我主要尝试将 F.when() 与 withColumn 结合使用，但我在使用 F.when() 的第二个元素时遇到了麻烦，因为我想存储向量的正确索引，但不能直接索引列。

   a                        b  
1  DenseVector([0.1, 0.9])  1.0
2  DenseVector([0.6, 0.4])  0.0
.
.
.

df = df.withColumn('a', F.when(df.b == 0.0, df.a[0])
                  .otherwise(df.a[1])

【问题讨论】：

你能解释一下这是什么意思吗：I want to store the correct index of the vector, but cannot directly index on a column.？

@JayramKumar 我想将向量的第 0 个或第一个索引存储在“a”中，具体取决于“b”列中该行是 1.0 还是 0.0。但是，在上述代码的上下文中，我无法使用 df.a[1] 之类的东西对给定行的“a”中的向量进行索引。根据F.when 通常的工作方式，您希望能够对向量进行索引，但在这种情况下您不能。

【参考方案1】：

按照this question 的答案中找到的信息，我能够得出一个解决方案。

Spark 中似乎存在一个错误，它不允许您对 Spark 数据帧中包含的 DenseVectors 进行索引。这可以通过创建一个用户定义的函数来解决，该函数可以像 numpy 数组一样访问元素。

from pyspark.sql import functions as F
from pyspark.sql import types as T

firstelement=F.udf(lambda v:float(v[0]),T.FloatType())
secondelement=F.udf(lambda v:float(v[1]),T.FloatType())


df = df.withColumn('a', F.when(df['b'] == 0.0, 
     firstelement('a')).otherwise(secondelement('a'))