如何通过重复值“另一列的大小”次来创建数组列？

Posted 2023-04-15

【中文标题】如何通过重复值“另一列的大小”次来创建数组列？

【英文标题】：How to create an array column by repeating a value "size of another column" times?

【发布时间】：2021-01-22 10:14:54

【问题描述】：

我想添加一个新列score，它是一个数组，其长度等于另一列values 的大小，并且包含所有值2。

使用列的size 时出现错误，但如果我将其替换为硬编码数字，则工作正常。

数据

columns = ["id","values"]
data = [("sample1", [12.0,10.0]), ("sample2", [1.0,2.0,3.0,4.0])]
rdd = spark.sparkContext.parallelize(data)

源数据帧

+-------+--------------------+
|     id|              values|
+-------+--------------------+
|sample1|        [12.0, 10.0]|
|sample2|[1.0, 2.0, 3.0, 4.0]|
+-------+--------------------+

预期输出

+-------+--------------------+--------------------+
|     id|              values|               score|
+-------+--------------------+--------------------+
|sample1|        [12.0, 10.0]|          [2, 2]    |
|sample2|[1.0, 2.0, 3.0, 4.0]|        [2, 2, 2, 2]|
+-------+--------------------+--------------------+

代码

from pyspark.sql.functions import *
df.withColumn("score",array([lit(x) for x in [2]*(size(col("values")))])).show()

低于错误

: java.lang.RuntimeException: 不支持的文字类型类 java.util.ArrayList [2]

【参考方案1】：

您不能将 Python 列表与 Spark 列相乘。您可以使用array_repeat 函数。

import pyspark.sql.functions as F

df2 = df.withColumn('score', F.expr('array_repeat(2, size(values))'))
df2.show()
+-------+--------------------+------------+
|     id|              values|       score|
+-------+--------------------+------------+
|sample1|        [12.0, 10.0]|      [2, 2]|
|sample2|[1.0, 2.0, 3.0, 4.0]|[2, 2, 2, 2]|
+-------+--------------------+------------+

【参考方案2】：

函数 array_repeat 仅适用于 Spark 2.4+。对于旧版本，这可以使用 UDF 完成：

from pyspark.sql.functions import udf, size, lit
from pyspark.sql.types import ArrayType, IntegerType


array_repeat_udf = udf(lambda v, n: [v for _ in range(n)], ArrayType(IntegerType()))

df1 = df.withColumn('score', array_repeat_udf(lit(2), size("values")))
df1.show()

#+-------+--------------------+------------+
#|     id|              values|       score|
#+-------+--------------------+------------+
#|sample1|        [12.0, 10.0]|      [2, 2]|
#|sample2|[1.0, 2.0, 3.0, 4.0]|[2, 2, 2, 2]|
#+-------+--------------------+------------+