PySpark：基于数据框中具有 UUID 的列添加新列

Posted 2023-04-15

【中文标题】PySpark：基于数据框中具有 UUID 的列添加新列

【英文标题】：PySpark: Add new column based on a column with UUID in a dataframe

【发布时间】：2019-02-13 09:25:30

【问题描述】：

:)

我正在处理一个我想公开展示的庞大数据集（数据框），我想匿名化数据，所以我不想让用户的UUID像使用带有字符串的新列一样使用：

用户1，用户2，用户3，

明显对应另一栏的ID。

当/否则时我无法使用它们，因为我在 df 中有超过一千个不同的 uuids。

所以最终结果应该是这样的：

| UUID | User | |uuid1 |user1 | |uuid1 |user1 | |uuid2 |user2 | |uuid3 |user3 |

我尝试编写一个函数，每次uuid 更改时都会增加用户“名称”中的数字，但如果您有任何其他简单的想法，请告诉我！ :)

【问题讨论】：

您可以只使用 UUID 创建一个单独的数据框，并使用 monotonically_increasing_id() 添加一个新列，然后重新加入这个新列

请发布您的尝试实现以及初始数据框架构

【参考方案1】：

一个可能的解决方案是这样的：

from pyspark.sql.functions import *
df1 = spark.createDataFrame([("uuid1",),("uuid1",),("uuid2",),("uuid3",)], ["UUID"])
df2 = df1.distinct().withColumn("User",concat(lit("User"),\
row_number().over(Window.orderBy("UUID"))))


df1.join(df2,["UUID"]).show()

它会获取您的数据框并创建一个包含所有用户的独特列表。然后在列表按 UUID 排序后创建另一列，其中包含字符串“用户”和适当的行号。所以你有越来越多的用户名，例如用户1，用户2，用户3，...

输出：

+-----+-----+
| UUID| User|
+-----+-----+
|uuid3|User3|
|uuid1|User1|
|uuid1|User1|
|uuid2|User2|
+-----+-----+

【讨论】：

我以我将如何使用它的方式实现它，并尽快发布它，但是很好的解决方案！谢谢！！

所以我唯一需要改变的是从原始数据集 (df1) 中获取 ID，所以我有我们讨论的方式 (df2) 中的 uuid 列表。然后我制作了另一个数据框以将 uuid 与用户名 (df3) 连接起来，然后将其加入原始数据集:) finalDF = df3.join(df1,["student_institution_id"]) display(finalDF)