如何编辑 SparkDataFrame 的模式？

Question

我有一个 SparkDataFrame，我想在其上使用 dapply() 应用一些函数并添加一个新列。

在 SparkR 中应用 dapply 期望模式与被调用函数的输出相匹配。例如，

#Creating SparkDataFrame

sdf<-as.DataFrame(iris)

#Initiating Schema

schm<-structType(structField("Sepal_Length", "double"),structField("Sepal_Width", "double"),structField("Petal_Length","double"),structField("Petal_Width","double"),structField("Species","string"),structField("Specie_new","string"))

#dapply code
sdf2<-dapply(sdf,function(y)
  {
    y$Specie_new<-substr(y$Specie,nchar(y$Species)-1,nchar(y$Species))
return(y)
},schm)

有没有更好的方法来做同样的事情？我的意思是如果我有 100 列那么这将不是一个可行的选择，在这些情况下我应该怎么做？

Answer 1

可以说更好的方法是避免 dapply 对于像这种简单的情况。您可以轻松地使用简单的正则表达式来获得相同的结果：

regexp_extract(df$Species, "^.*(.{2})$", 1)

或 Spark SQL 函数的组合（SparkR::substr、SparkR::length）。

不过，您仍然可以轻松地重用现有架构来创建新架构。假设您要添加新字段 foo:

foo <- structField("foo", "string")

只需提取现有字段的字段并将它们合并：

do.call(structType, c(schema(df)$fields(), list(foo)))

Answer 2

可能有点晚了，但从 Spark v2.2.0 开始，添加到 zero323 的答案中：

#Initiating Schema    
added_schm <- structType(structField("Specie_new","string"))
schm <- do.call(structType, append(schema(sdf)$fields(), added_schm$fields()))

如何编辑 SparkDataFrame 的模式？

How to edit the schema of a SparkDataFrame?

r

apache-spark

sparkr