拆分特定的 PySpark df 列并创建另一个 DF

Question

我有一个 dataframe（比如说，ac_df），它有 32 个不同的列。我想获取一个特定的列并将值拆分为 3 个块作为单个新值并从中创建另一个 df。

ac_df['payment_history_1'] 给出以下结果

我想要一个结构如下的新 df。

例如：如果我取第一行“000000000000”，它被分组为

'000', '000', '000', '000'

这将创建新 df 的第一行。

Python 执行此任务的等效代码如下：

temp1 = ac_df['payment_history_1'].str.split(r'(...)', expand=True)

在 spark 中，我尝试了以下操作：

temp1 = ac_df.select(ac_df['payment_history_1']).rdd.map(lambda each_row: str(each_row[0])).map(lambda y: y.split(r'(...)')).collect()

输出：

 [['000000000000'], ['000000000003000000000'], ['000000000003000000000000000']]

但是，我无法继续前进并获得想要的结果。有人可以建议吗？

Answer 1

试试这个，你将能够在此基础上构建：

df = spark.createDataFrame(
        [
            [1, '000000000000'], 
            [2, '000000000003000000000'], 
            [3, '000000000003000000000000000']
        ]
        , ["id", "numbers"]
        )


df.show()

应该产生类似于您开始的数据框的东西：

+---+--------------------+
| id|             numbers|
+---+--------------------+
|  1|        000000000000|
|  2|00000000000300000...|
|  3|00000000000300000...|
+---+--------------------+

获取数字列，您将能够将其解析为“,”分隔的字符串，我们可以在其中应用：posexplode(expr) - 分隔数组的元素将 expr 转换为带位置的多行，或将 map expr 的元素转换为带位置的多行和多列。

from pyspark.sql.functions import posexplode

df.select(
    "id",
    f.split("numbers", ",").alias("numbers"),
    f.posexplode(f.split("numbers", ",")).alias("pos", "val")
).show()

结果应该是：

+---+--------------------+---+---+
| id|             numbers|pos|val|
+---+--------------------+---+---+
|  1|[000, 000, 000, 000]|  0|000|
|  1|[000, 000, 000, 000]|  1|000|
|  1|[000, 000, 000, 000]|  2|000|
|  1|[000, 000, 000, 000]|  3|000|
|  2|[000, 000, 000, 0...|  0|000|
|  2|[000, 000, 000, 0...|  1|000|
|  2|[000, 000, 000, 0...|  2|000|
|  2|[000, 000, 000, 0...|  3|003|
|  2|[000, 000, 000, 0...|  4|000|
|  2|[000, 000, 000, 0...|  5|000|
|  2|[000, 000, 000, 0...|  6|000|
|  3|[000, 000, 000, 0...|  0|000|
|  3|[000, 000, 000, 0...|  1|000|
|  3|[000, 000, 000, 0...|  2|000|
|  3|[000, 000, 000, 0...|  3|003|
|  3|[000, 000, 000, 0...|  4|000|
|  3|[000, 000, 000, 0...|  5|000|
|  3|[000, 000, 000, 0...|  6|000|
|  3|[000, 000, 000, 0...|  7|000|
|  3|[000, 000, 000, 0...|  8|000|
+---+--------------------+---+---+

接下来，我们使用：pyspark.sql.functions.expr来抓取这个数组中索引pos处的元素。

第一个是我们新列的名称，它将是数字和数组中索引的串联。第二列将是数组中相应索引处的值。我们通过利用 pyspark.sql.functions.expr 的功能得到后者，它允许我们使用列值作为参数。

df.select(
    "id",
    f.split("numbers", ",").alias("numbers"),
    f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
    "id",
    f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
    f.expr("numbers[pos]").alias("val")
)\
.show()

结果：

+---+--------+---+
| id|  number|val|
+---+--------+---+
|  1|numbers0|000|
|  1|numbers1|000|
|  1|numbers2|000|
|  1|numbers3|000|
|  2|numbers0|000|
|  2|numbers1|000|
|  2|numbers2|000|
|  2|numbers3|003|
|  2|numbers4|000|
|  2|numbers5|000|
|  2|numbers6|000|
|  3|numbers0|000|
|  3|numbers1|000|
|  3|numbers2|000|
|  3|numbers3|003|
|  3|numbers4|000|
|  3|numbers5|000|
|  3|numbers6|000|
|  3|numbers7|000|
|  3|numbers8|000|
+---+--------+---+

最后我们可以按 id 分组并旋转 DataFrame

df.select(
    "id",
    f.split("numbers", ",").alias("numbers"),
    f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
    "id",
    f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
    f.expr("numbers[pos]").alias("val")
)\
.groupBy("id").pivot("number").agg(f.first("val"))\
.show()

给出最终数据框：

从中获取详细信息： Split Spark Dataframe string column into multiple columns

拆分特定的 PySpark df 列并创建另一个 DF

Splitting a specific PySpark df column and create another DF

python-3.x

pyspark

apache-spark-2.0