如何从 pyspark 的结构字段中删除 NULL？

Posted 2023-04-17

【中文标题】如何从 pyspark 的结构字段中删除 NULL？

【英文标题】：How to remove NULL from a struct field in pyspark?

【发布时间】：2020-03-09 14:43:36

【问题描述】：

我有一个包含一个结构字段的 DataFrame。我想从结构字段中删除为空的值。

temp_df_struct = Df.withColumn("VIN_COUNTRY_CD",struct('BXSR_VEHICLE_1_VIN_COUNTRY_CD','BXSR_VEHICLE_2_VIN_COUNTRY_CD','BXSR_VEHICLE_3_VIN_COUNTRY_CD','BXSR_VEHICLE_4_VIN_COUNTRY_CD','BXSR_VEHICLE_5_VIN_COUNTRY_CD'))

在这些不同的列中，有些列包含 NULL。有什么方法可以从 struct 字段中删除 null 吗？

【问题讨论】：

您可以创建自己的 UDF 来执行此操作

你能帮我处理一下 UDF 吗？

你可以在这里找到类似的 udf 问题：***.com/questions/50215195/…

【参考方案1】：

您应该始终提供一个可重现的小示例 - 但这是我对您想要什么的猜测

示例数据

data = [("1", "10", "20", None, "30", "40"), ("2", None, "15", "25", "35", None)]
names_of_cols = [
    "id",
    "BXSR_VEHICLE_1_VIN_COUNTRY_CD",
    "BXSR_VEHICLE_2_VIN_COUNTRY_CD",
    "BXSR_VEHICLE_3_VIN_COUNTRY_CD",
    "BXSR_VEHICLE_4_VIN_COUNTRY_CD",
    "BXSR_VEHICLE_5_VIN_COUNTRY_CD",
]
df = spark.createDataFrame(data, names_of_cols)
df.show(truncate=False)
# +---+-----------------------------+-----------------------------+-----------------------------+-----------------------------+-----------------------------+
# | id|BXSR_VEHICLE_1_VIN_COUNTRY_CD|BXSR_VEHICLE_2_VIN_COUNTRY_CD|BXSR_VEHICLE_3_VIN_COUNTRY_CD|BXSR_VEHICLE_4_VIN_COUNTRY_CD|BXSR_VEHICLE_5_VIN_COUNTRY_CD|
# +---+-----------------------------+-----------------------------+-----------------------------+-----------------------------+-----------------------------+
# |  1|                           10|                           20|                         null|                           30|                           40|
# |  2|                         null|                           15|                           25|                           35|                         null|
# +---+-----------------------------+-----------------------------+-----------------------------+-----------------------------+-----------------------------+

复制你所拥有的

你想将多列的值收集到一个数组中，比如

import re
from pyspark.sql.functions import col, array
collect_cols = [c for c in df.columns if re.match('BXSR_VEHICLE_\\d_VIN_COUNTRY_CD', c)]
collect_cols
# ['BXSR_VEHICLE_1_VIN_COUNTRY_CD', 'BXSR_VEHICLE_2_VIN_COUNTRY_CD', 'BXSR_VEHICLE_3_VIN_COUNTRY_CD', 'BXSR_VEHICLE_4_VIN_COUNTRY_CD', 'BXSR_VEHICLE_5_VIN_COUNTRY_CD']
(
    df.
        withColumn(
            "VIN_COUNTRY_CD",
            array(*collect_cols)
        ).
        select('id', 'VIN_COUNTRY_CD').
        show(truncate=False)
)
# +---+-----------------+
# |id |VIN_COUNTRY_CD   |
# +---+-----------------+
# |1  |[10, 20,, 30, 40]|
# |2  |[, 15, 25, 35,]  |
# +---+-----------------+

解决方案

然后从数组中删除 NULL

from pyspark.sql.functions import array, struct, lit, array_except
(
    df.
        withColumn(
            "VIN_COUNTRY_CD",
            array(*collect_cols)
        ).
        withColumn(
            'VIN_COUNTRY_CD',
            array_except(
                col('VIN_COUNTRY_CD'),
                array(lit(None).cast('string'))
            )
        ).
        select('id', 'VIN_COUNTRY_CD').
        show(truncate=False)
)
# +---+----------------+                                                          
# |id |VIN_COUNTRY_CD  |
# +---+----------------+
# |1  |[10, 20, 30, 40]|
# |2  |[15, 25, 35]    |
# +---+----------------+