spark为每组动态创建struct/json
Posted
技术标签:
【中文标题】spark为每组动态创建struct/json【英文标题】:spark dynamically create struct/json per group 【发布时间】:2018-09-29 19:19:18 【问题描述】:我有一个类似的 spark 数据框
+-----+---+---+---+------+
|group| a| b| c|config|
+-----+---+---+---+------+
| a| 1| 2| 3| [a]|
| b| 2| 3| 4|[a, b]|
+-----+---+---+---+------+
val df = Seq(("a", 1, 2, 3, Seq("a")),("b", 2, 3,4, Seq("a", "b"))).toDF("group", "a", "b","c", "config")
如何添加额外的列,即
df.withColumn("select_by_config", <<>>).show
作为一个结构或 JSON,它在类似于名为 struct / spark struct / json 列的配置单元中组合了许多列(由config
指定)?请注意,此结构是每个组特定的,而不是整个数据帧的常量;它在config
列中指定。
我可以想象df.map
可以解决问题,但序列化开销似乎并不高效。这如何通过仅 SQL 表达式来实现?也许作为一个地图类型的列?
编辑
2.2 的一个可能但非常笨拙的解决方案是:
val df = Seq((1,"a", 1, 2, 3, Seq("a")),(2, "b", 2, 3,4, Seq("a", "b"))).toDF("id", "group", "a", "b","c", "config")
df.show
import spark.implicits._
final case class Foo(id:Int, c1:Int, specific:Map[String, Int])
df.map(r =>
val config = r.getAs[Seq[String]]("config")
print(config)
val others = config.map(elem => (elem, r.getAs[Int](elem))).toMap
Foo(r.getAs[Int]("id"), r.getAs[Int]("c"), others)
).show
有没有更好的方法来解决 2.2 的问题?
【问题讨论】:
【参考方案1】:如果您使用最近的版本(Spark 2.4.0 RC 1 或更高版本),则高阶函数的组合应该可以解决问题。创建列映射:
import org.apache.spark.sql.functions.
array, col, expr, lit, map_from_arrays, map_from_entries
val cols = Seq("a", "b", "c")
val dfm = df.withColumn(
"cmap",
map_from_arrays(array(cols map lit: _*), array(cols map col: _*))
)
和transform
config
:
dfm.withColumn(
"config_mapped",
map_from_entries(expr("transform(config, k -> struct(k, cmap[k]))"))
).show
// +-----+---+---+---+------+--------------------+----------------+
// |group| a| b| c|config| cmap| config_mapped|
// +-----+---+---+---+------+--------------------+----------------+
// | a| 1| 2| 3| [a]|[a -> 1, b -> 2, ...| [a -> 1]|
// | b| 2| 3| 4|[a, b]|[a -> 2, b -> 3, ...|[a -> 2, b -> 3]|
// +-----+---+---+---+------+--------------------+----------------+
【讨论】:
以上是关于spark为每组动态创建struct/json的主要内容,如果未能解决你的问题,请参考以下文章