Pyspark：将多个数组列拆分为行

Posted 2023-04-15

【中文标题】Pyspark：将多个数组列拆分为行

【英文标题】：Pyspark: Split multiple array columns into rows

【发布时间】：2016-12-07 21:02:34

【问题描述】：

我有一个数据框，它有一行和几列。一些列是单个值，而其他列是列表。所有列表列的长度相同。我想将每个列表列拆分为单独的行，同时保持所有非列表列不变。

样本 DF：

from pyspark import Row
from pyspark.sql import SQLContext
from pyspark.sql.functions import explode

sqlc = SQLContext(sc)

df = sqlc.createDataFrame([Row(a=1, b=[1,2,3],c=[7,8,9], d='foo')])
# +---+---------+---------+---+
# |  a|        b|        c|  d|
# +---+---------+---------+---+
# |  1|[1, 2, 3]|[7, 8, 9]|foo|
# +---+---------+---------+---+

我想要什么：

+---+---+----+------+
|  a|  b|  c |    d |
+---+---+----+------+
|  1|  1|  7 |  foo |
|  1|  2|  8 |  foo |
|  1|  3|  9 |  foo |
+---+---+----+------+

如果我只有一个列表列，只需执行explode 即可轻松完成：

df_exploded = df.withColumn('b', explode('b'))
# >>> df_exploded.show()
# +---+---+---------+---+
# |  a|  b|        c|  d|
# +---+---+---------+---+
# |  1|  1|[7, 8, 9]|foo|
# |  1|  2|[7, 8, 9]|foo|
# |  1|  3|[7, 8, 9]|foo|
# +---+---+---------+---+

但是，如果我也尝试 explode c 列，我最终会得到一个长度为我想要的平方的数据框：

df_exploded_again = df_exploded.withColumn('c', explode('c'))
# >>> df_exploded_again.show()
# +---+---+---+---+
# |  a|  b|  c|  d|
# +---+---+---+---+
# |  1|  1|  7|foo|
# |  1|  1|  8|foo|
# |  1|  1|  9|foo|
# |  1|  2|  7|foo|
# |  1|  2|  8|foo|
# |  1|  2|  9|foo|
# |  1|  3|  7|foo|
# |  1|  3|  8|foo|
# |  1|  3|  9|foo|
# +---+---+---+---+

我想要的是 - 对于每一列，获取该列中数组的第 n 个元素并将其添加到新行中。我已经尝试在数据框中的所有列上映射一个爆炸，但这似乎也不起作用：

df_split = df.rdd.map(lambda col: df.withColumn(col, explode(col))).toDF()

【参考方案1】：

火花 >= 2.4

您可以将zip_ udf 替换为arrays_zip 函数

from pyspark.sql.functions import arrays_zip, col, explode

(df
    .withColumn("tmp", arrays_zip("b", "c"))
    .withColumn("tmp", explode("tmp"))
    .select("a", col("tmp.b"), col("tmp.c"), "d"))

火花

使用 DataFrames 和 UDF：

from pyspark.sql.types import ArrayType, StructType, StructField, IntegerType
from pyspark.sql.functions import col, udf, explode

zip_ = udf(
  lambda x, y: list(zip(x, y)),
  ArrayType(StructType([
      # Adjust types to reflect data types
      StructField("first", IntegerType()),
      StructField("second", IntegerType())
  ]))
)

(df
    .withColumn("tmp", zip_("b", "c"))
    # UDF output cannot be directly passed to explode
    .withColumn("tmp", explode("tmp"))
    .select("a", col("tmp.first").alias("b"), col("tmp.second").alias("c"), "d"))

与RDDs:

(df
    .rdd
    .flatMap(lambda row: [(row.a, b, c, row.d) for b, c in zip(row.b, row.c)])
    .toDF(["a", "b", "c", "d"]))

由于 Python 通信开销，这两种解决方案都效率低下。如果数据大小是固定的，你可以这样做：

from functools import reduce
from pyspark.sql import DataFrame

# Length of array
n = 3

# For legacy Python you'll need a separate function
# in place of method accessor 
reduce(
    DataFrame.unionAll, 
    (df.select("a", col("b").getItem(i), col("c").getItem(i), "d")
        for i in range(n))
).toDF("a", "b", "c", "d")

甚至：

from pyspark.sql.functions import array, struct

# SQL level zip of arrays of known size
# followed by explode
tmp = explode(array(*[
    struct(col("b").getItem(i).alias("b"), col("c").getItem(i).alias("c"))
    for i in range(n)
]))

(df
    .withColumn("tmp", tmp)
    .select("a", col("tmp").getItem("b"), col("tmp").getItem("c"), "d"))

与 UDF 或 RDD 相比，这应该明显更快。泛化为支持任意数量的列：

# This uses keyword only arguments
# If you use legacy Python you'll have to change signature
# Body of the function can stay the same
def zip_and_explode(*colnames, n):
    return explode(array(*[
        struct(*[col(c).getItem(i).alias(c) for c in colnames])
        for i in range(n)
    ]))

df.withColumn("tmp", zip_and_explode("b", "c", n=3))

【讨论】：

Spark >= 2.4 的解决方案如何真正起作用？文档说爆炸输入“应该是数组或映射类型，而不是字符串”，字面上引用了它引发的异常。 spark.apache.org/docs/latest/api/python/…

如何处理不同列中大小不均的列表。要求将值替换为 -1 以获得较短的列表。现在它显示为 null。

【参考方案2】：

您需要使用flatMap，而不是map，因为您想从每个输入行中生成多个输出行。

from pyspark.sql import Row
def dualExplode(r):
    rowDict = r.asDict()
    bList = rowDict.pop('b')
    cList = rowDict.pop('c')
    for b,c in zip(bList, cList):
        newDict = dict(rowDict)
        newDict['b'] = b
        newDict['c'] = c
        yield Row(**newDict)

df_split = sqlContext.createDataFrame(df.rdd.flatMap(dualExplode))

【讨论】：

如果第一个 df 有 3 个值，而第二个 df 有 2 个值，我们的 zip 恰好返回两对而不是 3。你能建议一下吗？

Zip 将 obj 的第一个元素与另一个对象的第一个元素、第二个与第二个等配对在一起，直到其中一个对象的元素用完。在您的情况下，在 2 个值之后。换句话说，它将对元素进行配对，直到没有更多要配对的项目。要给出任何建议，我需要知道您希望您的程序如何处理未配对的元素（例如，您想要第二组中的 null 吗？）。此外，此示例中只有 1 个 df。如果您的问题与这个不同，最好再问一个问题

感谢@David 的回复。我想到了。使用 Izip 帮助解决了这个问题。但我仍然感谢你的回应伙伴。

【参考方案3】：

一个班轮（对于Spark>=2.4.0）：

df.withColumn("bc", arrays_zip("b","c"))
  .select("a", explode("bc").alias("tbc"))
  .select("a", col"tbc.b", "tbc.c").show()

需要导入：

from pyspark.sql.functions import arrays_zip

---

步骤-

创建一个 bc 列，它是 array_zip 列 b 和 c 分解bc 得到一个结构tbc 选择所需的列a、b 和c（全部按要求展开）。

输出：

> df.withColumn("bc", arrays_zip("b","c")).select("a", explode("bc").alias("tbc")).select("a", "tbc.b", col("tbc.c")).show()
+---+---+---+
|  a|  b|  c|
+---+---+---+
|  1|  1|  7|
|  1|  2|  8|
|  1|  3|  9|
+---+---+---+