更新 spark 中的数据框列

Question

查看新的 spark DataFrame API，不清楚是否可以修改 dataframe 列。

我将如何更改数据框的行 x 列 y 中的值？

在 pandas 中将是：

df.ix[x,y] = new_value

编辑：合并下面所说的，你不能修改现有的数据框，因为它是不可变的，但你可以return一个新的数据框修改。

如果您只想根据条件替换列中的值，例如 np.where:

from pyspark.sql import functions as F

update_func = (F.when(F.col('update_col') == replace_val, new_value)
                .otherwise(F.col('update_col')))
df = df.withColumn('new_column_name', update_func)

如果您想对列执行一些操作并创建一个新列添加到数据框中：

import pyspark.sql.functions as F
import pyspark.sql.types as T

def my_func(col):
    do stuff to column here
    return transformed_value

# if we assume that my_func returns a string
my_udf = F.UserDefinedFunction(my_func, T.StringType())

df = df.withColumn('new_column_name', my_udf('update_col'))

如果您希望新列与旧列同名，您可以添加额外的步骤：

df = df.drop('update_col').withColumnRenamed('new_column_name', 'update_col')

Answer 1

DataFrames 基于 RDD。 RDD 是不可变结构，不允许在现场更新元素。要更改值，您需要通过使用 SQL 类 DSL 或 RDD 操作（例如 map.

转换原始 DataFrame 来创建新的 DataFrame

强烈推荐的幻灯片：Introducing DataFrames in Spark for Large Scale Data Science。

Answer 2

虽然您不能像这样修改列，但您可以对列进行操作，return 反映该更改的新 DataFrame。为此，您首先要创建一个 UserDefinedFunction 来实现要应用的操作，然后有选择地将该函数仅应用于目标列。在 Python:

from pyspark.sql.functions import UserDefinedFunction
from pyspark.sql.types import StringType

name = 'target_column'
udf = UserDefinedFunction(lambda x: 'new_value', StringType())
new_df = old_df.select(*[udf(column).alias(name) if column == name else column for column in old_df.columns])

new_df 现在具有与 old_df 相同的架构（假设 old_df.target_column 也是 StringType 类型）但列 target_column 中的所有值将是 new_value.

Answer 3

正如 maasg 所说，您可以根据应用于旧 DataFrame 的映射结果创建新的 DataFrame。具有两行的给定 DataFrame df 的示例：

val newDf = sqlContext.createDataFrame(df.map(row => 
  Row(row.getInt(0) + SOMETHING, applySomeDef(row.getAs[Double]("y")), df.schema)

请注意，如果列的类型发生变化，您需要为其提供正确的架构而不是 df.schema。查看 org.apache.spark.sql.Row 的 api 以获取可用方法：https://spark.apache.org/docs/latest/api/java/org/apache/spark/sql/Row.html

[更新] 或者在 Scala 中使用 UDF：

import org.apache.spark.sql.functions._

val toLong = udf[Long, String] (_.toLong)

val modifiedDf = df.withColumn("modifiedColumnName", toLong(df("columnName"))).drop("columnName")

如果列名需要保持不变，您可以将其重新命名：

modifiedDf.withColumnRenamed("modifiedColumnName", "columnName")

Answer 4

通常在更新列时，我们希望将旧值映射到新值。这是在没有 UDF 的情况下在 pyspark 中执行此操作的方法：

# update df[update_col], mapping old_value --> new_value
from pyspark.sql import functions as F
df = df.withColumn(update_col,
    F.when(df[update_col]==old_value,new_value).
    otherwise(df[update_col])).

Answer 5

从 pyspark.sql.functions 导入 col, when 并将第五列更新为 integer(0,1,2) 基于将字符串（字符串 a，字符串 b，字符串 c）转换为新的 DataFrame。

from pyspark.sql.functions import col, when 

data_frame_temp = data_frame.withColumn("col_5",when(col("col_5") == "string a", 0).when(col("col_5") == "string b", 1).otherwise(2))

更新 spark 中的数据框列

Updating a dataframe column in spark

python

dataframe

apache-spark

pyspark

apache-spark-sql