在 Pyspark 中展平 Json

Posted 2023-04-15

【中文标题】在 Pyspark 中展平 Json

【英文标题】：Flatten Json in Pyspark

【发布时间】：2021-04-08 23:24:31

【问题描述】：

my_data=[
    'stationCode': 'NB001',
       'summaries': ['period': 'year': 2017, 'rainfall': 449,
        'period': 'year': 2018, 'rainfall': 352.4,
        'period': 'year': 2019, 'rainfall': 253.2,
        'period': 'year': 2020, 'rainfall': 283,
        'period': 'year': 2021, 'rainfall': 104.2],
    'stationCode': 'NA003',
       'summaries': ['period': 'year': 2019, 'rainfall': 58.2,
        'period': 'year': 2020, 'rainfall': 628.2,
        'period': 'year': 2021, 'rainfall': 120]]

在 Pandas 中我可以：

import pandas as pd
from pandas import json_normalize
pd.concat([json_normalize(entry, 'summaries', 'stationCode') 
                     for entry in my_data])

这会给我下表：

    rainfall  period.year stationCode
0     449.0         2017       NB001
1     352.4         2018       NB001
2     253.2         2019       NB001
3     283.0         2020       NB001
4     104.2         2021       NB001
0      58.2         2019       NA003
1     628.2         2020       NA003
2     120.0         2021       NA003

这可以在pyspark的一行代码中实现吗？

我已经尝试了下面的代码，它给了我相同的结果。不过太长了，有没有办法缩短呢？;

df=sc.parallelize(my_data)
df1=spark.read.json(df)


  df1.select("stationCode","summaries.period.year","summaries.rainfall").display()
  df1 = df1.withColumn("year_rainfall", F.arrays_zip("year", "rainfall"))
           .withColumn("year_rainfall", F.explode("year_rainfall"))
           .select("stationCode", 
               F.col("year_rainfall.rainfall").alias("Rainfall"), 
               F.col("year_rainfall.year").alias("Year"))
  df1.display(20, False)

向 pyspark 介绍自己，因此我们将不胜感激一些解释或良好的信息来源

【参考方案1】：

你所拥有的对我来说看起来不错并且可读。但是你也可以直接压缩和分解：

out = (df1.select("stationCode", 
      F.explode(F.arrays_zip(*["summaries.period.year","summaries.rainfall"])))
.select("stationCode",F.col("col")['0'].alias("year"),F.col("col")['1'].alias("rainfall")))

---

out.show()

+-----------+----+--------+
|stationCode|year|rainfall|
+-----------+----+--------+
|      NB001|2017|   449.0|
|      NB001|2018|   352.4|
|      NB001|2019|   253.2|
|      NB001|2020|   283.0|
|      NB001|2021|   104.2|
|      NA003|2019|    58.2|
|      NA003|2020|   628.2|
|      NA003|2021|   120.0|
+-----------+----+--------+

【参考方案2】：

考虑一个包含以下数据的示例 json 文件。

   "Name": "TestName",
   "Date": "2021-04-09",
   "Readings": [
      
        "Id": 1,
        "Reading": 5.678,
        "datetime": "2021-04-09 00:00:00"
     ,
     
        "Id": 2,
        "Reading": 3.692,
        "datetime": "2020-04-09 00:00:00"
     
  ]

定义一个我们可以强制读取数据的架构。

from pyspark.sql.types import StructType, StructField, StringType, IntegerType, DoubleType, ArrayType

data_schema = StructType(fields=[
   StructField('Name', StringType(), False),
   StructField('Date', StringType(), True),
   StructField(
       'Readings', ArrayType(
          StructType([
             StructField('Id', IntegerType(), False),
             StructField('Reading', DoubleType(), True),
             StructField('datetime', StringType(), True)
          ])
       )
    )
])

现在我们可以使用我们的架构来读取目录中的 JSON 文件

data_df = spark.read.json('/mnt/data/' + '*.json', schema=data_schema)

我们想要嵌套在“Readings”中的数据，这样我们就可以使用explode 来获取这些子列。

from pyspark.sql.functions import explode

data_df = data_df.select(
    "Name",
    explode("Readings").alias("ReadingsExplode")
).select("Name", "ReadingsExplode.*")

data_df.show()

这应该提供带有扁平数据框的所需输出。