拆分特定的 PySpark df 列并创建另一个 DF
Posted
技术标签:
【中文标题】拆分特定的 PySpark df 列并创建另一个 DF【英文标题】:Splitting a specific PySpark df column and create another DF 【发布时间】:2018-10-31 10:02:22 【问题描述】:我有一个 dataframe(比如 ac_df),它有 32 个不同的列。我想获得一个特定的列并将值拆分为 3 的块作为一个新值,并从中创建另一个 df 。
ac_df['payment_history_1']
给出以下结果
我想要一个具有以下结构的新 df。
例如:如果我取第一行'000000000000',它将被分组为
“000”、“000”、“000”、“000”
这将创建新 df 的第一行。
执行此任务的 Python 等效代码如下:
temp1 = ac_df['payment_history_1'].str.split(r'(...)', expand=True)
在 spark 中,我尝试了以下方法:
temp1 = ac_df.select(ac_df['payment_history_1']).rdd.map(lambda each_row: str(each_row[0])).map(lambda y: y.split(r'(...)')).collect()
输出:
[['000000000000'], ['000000000003000000000'], ['000000000003000000000000000']]
但是,我无法继续前进并获得预期的结果。有人可以推荐吗?
【问题讨论】:
你可以在数据框列上使用pyspark.sql.functions.split,就像在python中使用str.split
一样。
***.com/questions/39235704/…
【参考方案1】:
试试这个,你将能够建立在这个之上:
df = spark.createDataFrame(
[
[1, '000000000000'],
[2, '000000000003000000000'],
[3, '000000000003000000000000000']
]
, ["id", "numbers"]
)
df.show()
应该产生类似于你开始的数据框的东西:
+---+--------------------+
| id| numbers|
+---+--------------------+
| 1| 000000000000|
| 2|00000000000300000...|
| 3|00000000000300000...|
+---+--------------------+
获取数字列,您将能够将其解析为“,”分隔的字符串,我们可以在其中应用: posexplode(expr) - 将数组 expr 的元素分隔为多行位置,或者将 map expr 的元素分成多行多列的位置。
from pyspark.sql.functions import posexplode
df.select(
"id",
f.split("numbers", ",").alias("numbers"),
f.posexplode(f.split("numbers", ",")).alias("pos", "val")
).show()
这应该导致:
+---+--------------------+---+---+
| id| numbers|pos|val|
+---+--------------------+---+---+
| 1|[000, 000, 000, 000]| 0|000|
| 1|[000, 000, 000, 000]| 1|000|
| 1|[000, 000, 000, 000]| 2|000|
| 1|[000, 000, 000, 000]| 3|000|
| 2|[000, 000, 000, 0...| 0|000|
| 2|[000, 000, 000, 0...| 1|000|
| 2|[000, 000, 000, 0...| 2|000|
| 2|[000, 000, 000, 0...| 3|003|
| 2|[000, 000, 000, 0...| 4|000|
| 2|[000, 000, 000, 0...| 5|000|
| 2|[000, 000, 000, 0...| 6|000|
| 3|[000, 000, 000, 0...| 0|000|
| 3|[000, 000, 000, 0...| 1|000|
| 3|[000, 000, 000, 0...| 2|000|
| 3|[000, 000, 000, 0...| 3|003|
| 3|[000, 000, 000, 0...| 4|000|
| 3|[000, 000, 000, 0...| 5|000|
| 3|[000, 000, 000, 0...| 6|000|
| 3|[000, 000, 000, 0...| 7|000|
| 3|[000, 000, 000, 0...| 8|000|
+---+--------------------+---+---+
接下来,我们使用 :pyspark.sql.functions.expr 来抓取这个数组中索引 pos 处的元素。
第一个是我们新列的名称,它将是数字和数组中索引的连接。第二列将是数组中相应索引处的值。我们通过利用 pyspark.sql.functions.expr 的功能得到后者,它允许我们使用列值作为参数。
df.select(
"id",
f.split("numbers", ",").alias("numbers"),
f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
"id",
f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
f.expr("numbers[pos]").alias("val")
)\
.show()
结果:
+---+--------+---+
| id| number|val|
+---+--------+---+
| 1|numbers0|000|
| 1|numbers1|000|
| 1|numbers2|000|
| 1|numbers3|000|
| 2|numbers0|000|
| 2|numbers1|000|
| 2|numbers2|000|
| 2|numbers3|003|
| 2|numbers4|000|
| 2|numbers5|000|
| 2|numbers6|000|
| 3|numbers0|000|
| 3|numbers1|000|
| 3|numbers2|000|
| 3|numbers3|003|
| 3|numbers4|000|
| 3|numbers5|000|
| 3|numbers6|000|
| 3|numbers7|000|
| 3|numbers8|000|
+---+--------+---+
最后我们可以通过 id 分组并旋转 DataFrame
df.select(
"id",
f.split("numbers", ",").alias("numbers"),
f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
"id",
f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
f.expr("numbers[pos]").alias("val")
)\
.groupBy("id").pivot("number").agg(f.first("val"))\
.show()
给出最终的数据框:
从以下位置获取详细信息: Split Spark Dataframe string column into multiple columns
【讨论】:
以上是关于拆分特定的 PySpark df 列并创建另一个 DF的主要内容,如果未能解决你的问题,请参考以下文章