如何创建一个包含 PySpark 中另一列给定范围内所有值的列

Question

我在使用 PySpark 2.0 版的以下场景中遇到问题，我有一个 DataFrame，其列包含一个具有起始值和结束值的数组，例如 [1000, 1010]

我想知道如何创建和计算另一个包含一个数组的列，该数组包含给定范围内的所有值？生成的范围值列的结果将是：

    +--------------+-------------+-----------------------------+
    |   Description|     Accounts|                        Range|
    +--------------+-------------+-----------------------------+
    |       Range 1|   [101, 105]|    [101, 102, 103, 104, 105]|
    |       Range 2|   [200, 203]|         [200, 201, 202, 203]|
    +--------------+-------------+-----------------------------+

Answer 1

你应该使用 UDF (UDF sample) 考虑你的 pyspark 数据框名称是 df，你的数据框可能是这样的：

df = spark.createDataFrame(
[("Range 1", list([101,105])), 
 ("Range 2", list([200, 203]))],
("Description", "Accounts"))

而你的解决方案是这样的：

import pyspark.sql.functions as F
import numpy as np

def make_range_number(arr):
    number_range = np.arange(arr[0], arr[1]+1, 1).tolist()
    return number_range

range_udf = F.udf(make_range_number)

df = df.withColumn("Range", range_udf(F.col("Accounts")))

玩得开心！:)

Answer 2

试试这个。

定义udf

def range_value(a):
    start = a[0]
     end = a[1] +1 
     return list(range(start,end))

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

df = spark.createDataFrame([("Range 1", list([101,105])), ("Range 2", list([200, 203]))],("Description", "Accounts"))

range_value= F.udf(range_value, pt.ArrayType(pt.IntegerType()))
df = df.withColumn('Range', range_value(F.col('Accounts')))

输出

如何创建一个包含 PySpark 中另一列给定范围内所有值的列

How to create a column with all the values in a range given by another column in PySpark

pyspark

pyspark-sql

pyspark-dataframes

定义udf