pyspark:从现有列创建 MapType 列

Posted

技术标签:

【中文标题】pyspark:从现有列创建 MapType 列【英文标题】:pyspark: Create MapType Column from existing columns 【发布时间】:2016-12-22 17:20:47 【问题描述】:

我需要根据现有列创建一个新的 Spark DF MapType 列,其中列名是键,值是值。

作为示例 - 我有这个 DF:

rdd = sc.parallelize([('123k', 1.3, 6.3, 7.6),
                      ('d23d', 1.5, 2.0, 2.2), 
                      ('as3d', 2.2, 4.3, 9.0)
                          ])
schema = StructType([StructField('key', StringType(), True),
                     StructField('metric1', FloatType(), True),
                     StructField('metric2', FloatType(), True),
                     StructField('metric3', FloatType(), True)])
df = sqlContext.createDataFrame(rdd, schema)

+----+-------+-------+-------+
| key|metric1|metric2|metric3|
+----+-------+-------+-------+
|123k|    1.3|    6.3|    7.6|
|d23d|    1.5|    2.0|    2.2|
|as3d|    2.2|    4.3|    9.0|
+----+-------+-------+-------+

到目前为止,我已经可以从这里创建一个 structType:

nameCol = struct([name for name in df.columns if ("metric" in name)]).alias("metric")
df2 = df.select("key", nameCol)

+----+-------------+
| key|       metric|
+----+-------------+
|123k|[1.3,6.3,7.6]|
|d23d|[1.5,2.0,2.2]|
|as3d|[2.2,4.3,9.0]|
+----+-------------+

但我需要的是一个带有 am MapType 的度量列,其中键是列名:

+----+-------------------------+
| key|                   metric|
+----+-------------------------+
|123k|Map(metric1 -> 1.3, me...|
|d23d|Map(metric1 -> 1.5, me...|
|as3d|Map(metric1 -> 2.2, me...|
+----+-------------------------+

任何提示我如何转换数据?

谢谢!

【问题讨论】:

【参考方案1】:

在 Spark 2.0 或更高版本中,您可以使用 create_map。首先是一些导入:

from pyspark.sql.functions import lit, col, create_map
from itertools import chain

create_map 需要 keysvalues 的交错序列,例如可以这样创建:

metric = create_map(list(chain(*(
    (lit(name), col(name)) for name in df.columns if "metric" in name
)))).alias("metric")

并与select一起使用:

df.select("key", metric)

使用示例数据,结果是:

+----+---------------------------------------------------------+
|key |metric                                                   |
+----+---------------------------------------------------------+
|123k|Map(metric1 -> 1.3, metric2 -> 6.3, metric3 -> 7.6)      |
|d23d|Map(metric1 -> 1.5, metric2 -> 2.0, metric3 -> 2.2)      |
|as3d|Map(metric1 -> 2.2, metric2 -> 4.3, metric3 -> 9.0)      |
+----+---------------------------------------------------------+

如果您使用较早版本的 Spark,则必须使用 UDF:

from pyspark.sql import Column
from pyspark.sql.functions import struct
from pyspark.sql.types import DataType, DoubleType, StringType, MapType

def as_map(*cols: str, key_type: DataType=DoubleType()) -> Column:
    args = [struct(lit(name), col(name)) for name in cols]
    as_map_ = udf(
        lambda *args: dict(args),
        MapType(StringType(), key_type)
    )
    return as_map_(*args)

可以这样使用:

df.select("key", 
    as_map(*[name for name in df.columns if "metric" in name]).alias("metric"))

【讨论】:

您的解决方案看起来不错,可以用来回答:***.com/questions/45445077/… 吗? 救了我!谢谢

以上是关于pyspark:从现有列创建 MapType 列的主要内容,如果未能解决你的问题,请参考以下文章

在pyspark中展平Maptype列

Spark DataFrame ArrayType 或 MapType 用于检查列中的值

Pyspark - 从 DataFrame 列的操作创建新列给出错误“列不可迭代”

从 pyspark 中的字典列创建数据框

从 TimezoneFinder() 创建新的“时区”列,将经度和纬度列作为 PySpark 中的输入

连接后如何在 Pyspark Dataframe 中选择和排序多个列