如何在 Spark 数据框中添加具有序列值的列？

Question

如何在 PySpark 数据框中添加具有来自特定数字的序列值的列？

当前数据集：

Col1    Col2    Flag
Val1    Val2    F
Val3    Val4    T

但是我希望数据集是这样的：

Col1    Col2    Flag    New_Col
Val1    Val2    F       11F
Val3    Val4    T       12T

我在 Python.

中使用以下代码

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

seq = 10

def fn_increment_id(flag):
    global seq
    seq += 1
    return str(seq) + flag

if __name__ == "__main__":
    df = spark.loadFromMapRDB("path/to/table")
    my_udf = F.UserDefinedFunction(fn_increment_id, T.StringType())
    df = df.withColumn("New_Col", my_udf("Flag"))
    print(df.show(10))

但是，我得到的结果是：

Received Dataset:

Col1    Col2    Flag    New_Col
Val1    Val2    F       11F
Val3    Val4    T       11T

因此，它对所有行递增一次。我怎样才能增加每一行？提前致谢。

Answer 1

可以使用 Window 添加具有顺序值的列。只要数据框不是太大，这就很好，对于较大的数据框，您应该考虑在 window 上使用 partitionBy，但值不会是连续的。

下面的代码为每一行创建序号，将其加 10，然后将值与 Flag 列连接起来以创建一个新列。这里的行按 Col1 排序，但可以使用任何列。

from pyspark.sql.window import Window
from pyspark.sql.functions import col, row_number, concat

w = Window().orderBy("Col1")
df = df.withColumn("New_Col", concat(row_number().over(w) + 10, col(Flag)))

如何在 Spark 数据框中添加具有序列值的列？

How to add column with sequence value in Spark dataframe?

python

apache-spark

apache-spark-sql

pyspark

apache-spark-dataset