PySpark:具有不同列的 DataFrames 的动态联合
Posted
技术标签:
【中文标题】PySpark:具有不同列的 DataFrames 的动态联合【英文标题】:PySpark: dynamic union of DataFrames with different columns 【发布时间】:2018-11-06 04:38:56 【问题描述】:考虑此处显示的数组。我有 3 组数组:
数组 1:
C1 C2 C3
1 2 3
9 5 6
数组 2:
C2 C3 C4
11 12 13
10 15 16
数组 3:
C1 C4
111 112
110 115
我需要如下输出,输入我可以获得 C1、...、C4 的任何一个值,但在加入时我需要获得正确的值,如果该值不存在,那么它应该为零。
预期输出:
C1 C2 C3 C4
1 2 3 0
9 5 6 0
0 11 12 13
0 10 15 16
111 0 0 112
110 0 0 115
我已经编写了 pyspark 代码,但是我已经硬编码了新列的值及其 RAW,我需要将下面的代码转换为方法重载,以便我可以将此脚本用作自动脚本。我只需要使用 python/pyspark 而不是 pandas。
import pyspark
from pyspark import SparkContext
from pyspark.sql.functions import lit
from pyspark.sql import SparkSession
sqlContext = pyspark.SQLContext(pyspark.SparkContext())
df01 = sqlContext.createDataFrame([(1, 2, 3), (9, 5, 6)], ("C1", "C2", "C3"))
df02 = sqlContext.createDataFrame([(11,12, 13), (10, 15, 16)], ("C2", "C3", "C4"))
df03 = sqlContext.createDataFrame([(111,112), (110, 115)], ("C1", "C4"))
df01_add = df01.withColumn("C4", lit(0)).select("c1","c2","c3","c4")
df02_add = df02.withColumn("C1", lit(0)).select("c1","c2","c3","c4")
df03_add = df03.withColumn("C2", lit(0)).withColumn("C3", lit(0)).select("c1","c2","c3","c4")
df_uni = df01_add.union(df02_add).union(df03_add)
df_uni.show()
方法重载示例:
class Student:
def ___Init__ (self,m1,m2):
self.m1 = m1
self.m2 = m2
def sum(self,c1=None,c2=None,c3=None,c4=None):
s = 0
if c1!= None and c2 != None and c3 != None:
s = c1+c2+c3
elif c1 != None and c2 != None:
s = c1+c2
else:
s = c1
return s
print(s1.sum(55,65,23))
【问题讨论】:
【参考方案1】:可能有很多更好的方法可以做到这一点,但也许下面的方法对将来的任何人都有用。
from pyspark.sql import SparkSession
from pyspark.sql.functions import lit
spark = SparkSession.builder\
.appName("DynamicFrame")\
.getOrCreate()
df01 = spark.createDataFrame([(1, 2, 3), (9, 5, 6)], ("C1", "C2", "C3"))
df02 = spark.createDataFrame([(11,12, 13), (10, 15, 16)], ("C2", "C3", "C4"))
df03 = spark.createDataFrame([(111,112), (110, 115)], ("C1", "C4"))
dataframes = [df01, df02, df03]
# Create a list of all the column names and sort them
cols = set()
for df in dataframes:
for x in df.columns:
cols.add(x)
cols = sorted(cols)
# Create a dictionary with all the dataframes
dfs =
for i, d in enumerate(dataframes):
new_name = 'df' + str(i) # New name for the key, the dataframe is the value
dfs[new_name] = d
# Loop through all column names. Add the missing columns to the dataframe (with value 0)
for x in cols:
if x not in d.columns:
dfs[new_name] = dfs[new_name].withColumn(x, lit(0))
dfs[new_name] = dfs[new_name].select(cols) # Use 'select' to get the columns sorted
# Now put it al together with a loop (union)
result = dfs['df0'] # Take the first dataframe, add the others to it
dfs_to_add = dfs.keys() # List of all the dataframes in the dictionary
dfs_to_add.remove('df0') # Remove the first one, because it is already in the result
for x in dfs_to_add:
result = result.union(dfs[x])
result.show()
输出:
+---+---+---+---+
| C1| C2| C3| C4|
+---+---+---+---+
| 1| 2| 3| 0|
| 9| 5| 6| 0|
| 0| 11| 12| 13|
| 0| 10| 15| 16|
|111| 0| 0|112|
|110| 0| 0|115|
+---+---+---+---+
【讨论】:
你说的可能更好,但我还没有遇到过,所以感谢这个新颖的代码!你曾经在 Scala 中做过类似的事情吗?或者看到在 Scala 中执行此操作的代码? @JoshuaJames - 这是 Scala 中的版本 - ***.com/a/60702657/9445912【参考方案2】:我会试试的
df = df1.join(df2, ['each', 'shared', 'col], how='full')
【讨论】:
【参考方案3】:从 Spark 3.1.0 开始,您可以使用 unionByName
和 allowMissingColumns=True
,这几乎完全符合您的要求。您需要 fillna
将空值替换为 0。
请注意,原始数据框中的任何空值也将替换为 0。
dfs = [df01, df02, df03]
res = dfs[0]
for df in dfs[1:]:
res = res.unionByName(df, allowMissingColumns=True)
res.fillna(0).show()
+---+---+---+---+
| C1| C2| C3| C4|
+---+---+---+---+
| 1| 2| 3| 0|
| 9| 5| 6| 0|
| 0| 11| 12| 13|
| 0| 10| 15| 16|
|111| 0| 0|112|
|110| 0| 0|115|
+---+---+---+---+
【讨论】:
以上是关于PySpark:具有不同列的 DataFrames 的动态联合的主要内容,如果未能解决你的问题,请参考以下文章
PySpark DataFrames 是不是具有像 Pandas 中的“管道”功能?
Pyspark 从具有不同列的行/数据创建 DataFrame
PySpark DataFrames - 使用不同类型的列之间的比较进行过滤
PySpark DataFrames - 在不转换为 Pandas 的情况下进行枚举的方法?