将列的内容拆分为pyspark中的行

Posted

技术标签:

【中文标题】将列的内容拆分为pyspark中的行【英文标题】:split content of column into lines in pyspark 【发布时间】:2017-11-28 13:33:01 【问题描述】:

我有一个数据框 df:

+------+----------+--------------------+
|SiteID| LastRecID|        Col_to_split|
+------+----------+--------------------+
|     2|1056962584|[214, 207, 206, 205]|
|     2|1056967423|          [213, 208]|
|     2|1056870114|     [213, 202, 199]|
|     2|1056876861|[203, 213, 212, 1...|

我想将列拆分成这样的行:

+----------+-------------+-------------+
|     RecID|        index|        Value|
+----------+-------------+-------------+
|1056962584|            0|          214|
|1056962584|            1|          207|
|1056962584|            2|          206|
|1056962584|            3|          205|
|1056967423|            0|          213|
|1056967423|            1|          208|
|1056870114|            0|          213|
|1056870114|            1|          202|
|1056870114|            2|          199|
|1056876861|            0|          203|
|1056876861|            1|          213|
|1056876861|            2|          212|
|1056876861|            3|          1..|
|1056876861|       etc...|       etc...|

Value 包含列表中的值。 Index 包含列表中值的索引。

如何使用 PySpark 做到这一点?

【问题讨论】:

【参考方案1】:

从 Spark 2.1.0 开始,您可以使用 posexplode 哪个 unnest 数组列并输出每个元素的索引,(使用来自 @Herve 的数据):

import pyspark.sql.functions as F
df.select(
    F.col("LastRecID").alias("RecID"), 
    F.posexplode(F.col("coltosplit")).alias("index", "value")
).show()
+-----+-----+-----+
|RecID|index|value|
+-----+-----+-----+
|10526|    0|  214|
|10526|    1|  207|
|10526|    2|  206|
|10526|    3|  205|
|10896|    0|  213|
|10896|    1|  208|
+-----+-----+-----+

【讨论】:

【参考方案2】:

我很快尝试使用 Spark 2.0 如果您想以不同的方式订购,可以稍微更改查询。

d = ['SiteID': '2', 'LastRecId': 10526, 'coltosplit': [214,207,206,205], 'SiteID': '2', 'LastRecId': 10896, 'coltosplit': [213,208]]
df = spark.createDataFrame(d)

+---------+------+--------------------+
|LastRecId|SiteID|          coltosplit|
+---------+------+--------------------+
|    10526|     2|[214, 207, 206, 205]|
|    10896|     2|          [213, 208]|
+---------+------+--------------------+

query = """
select LastRecId as RecID, 
(row_number() over (partition by LastRecId order by 1)) - 1 as index, 
t as Value 
from test 
LATERAL VIEW explode(coltosplit) test AS t
"""
df.createTempView("test")
spark.sql(query).show()

+-----+-----+-----+
|RecID|index|Value|
+-----+-----+-----+
|10896|    0|  213|
|10896|    1|  208|
|10526|    0|  214|
|10526|    1|  207|
|10526|    2|  206|
|10526|    3|  205|
+-----+-----+-----+

所以基本上我只是将列表分解为一个新列。并在此列上应用行号。

希望对你有帮助

【讨论】:

以上是关于将列的内容拆分为pyspark中的行的主要内容,如果未能解决你的问题,请参考以下文章

Pyspark:将多个数组列拆分为行

使用 PySpark 将列转换为小写

将列表的列拆分为同一 PySpark 数据框中的多列

Pyspark 将列列表转换为聚合函数

通过使用pyspark将列转换为行来解析数据框中的Json字符串列表?

pyspark 将列值与另一列进行比较包含值范围