拆分成组并分解 pyspark 数组类型列

Question

我有静态列表 group_1 和 group_2:

group_1 = [a,b,c,d,e,f,g]
group_2 = [h,i,j,k]

我有 pyspark 数据框 df1，如下所示。

示例 1：

df1:

+-----+----------------------------------------+-----------------------------------------+
|id   |array1                                  |array2                                   |
+-----+----------------------------------------+-----------------------------------------+
|id1  |[a,b,c,d,group_1,group_2]               |[a,b,c,d,e,f,g,h,i,j,k]                  |
+-----+----------------------------------------+-----------------------------------------+

output_df:

+-----+-------------------|-------------------|
|id   |col1               |col2               |
+-----+-------------------|-------------------|
|id1  |[a,b,c,d]          |[a,b,c,d]          |
|id1  |[e,f,g]            |group_1            |
|id1  |[h,i,j,k]          |group_2            |
+-----+-------------------|-------------------|

实际上，array2 列将包含来自 array1 列的元素。这就是我的源数据框 (source_df1) 的样子。

如果我们看到 array1 列，则有单独的元素，如 (a,b,c,d) 以及 group_1 和 group_2 元素，但它们加在一起是不同的。

现在我想通过分解来创建 pyspark 数据框，使单个元素和组元素按 output_df 所示进行分类。

示例 1 观察： 如果我们看到输出数据框 output_df，第二条记录 group_1 只有 [e,f,g]，因为其他元素已经存在个别元素的一部分。

示例 2：

source_df1:

+-----+----------------------------------------+-----------------------------------------+
|id   |array1                                  |array2                                   |
+-----+----------------------------------------+-----------------------------------------+
|id1  |[a,b,group_1,group_2]                   |[a,b,c,d,e,f,g,h,i,j,k]                  |
+-----+----------------------------------------+-----------------------------------------+

output_df:

+-----+-------------------|-------------------|
|id   |col1               |col2               |
+-----+-------------------|-------------------|
|id1  |[a,b]              |[a,b]              |
|id1  |[c,d,e,f,g]        |group_1            |
|id1  |[h,i,j,k]          |group_2            |
+-----+-------------------|-------------------|

示例 2 观察： 如果我们看到输出数据帧 output_df。第二条记录 group_1 只有 [c,d,e,f,g] 因为其他元素已经是单个元素的一部分。

任何人都可以帮助实现这个目标吗？

Answer 1

如果你可以使用 Spark 2.4+，你可以通过一些数组函数来实现：

from pyspark.sql import functions as F


df1 = df.withColumn(
    "individual",
    F.array_except(F.col("array1"), F.array(*[F.lit("group_1"), F.lit("group_2")]))
).withColumn(
    "group_1",
    F.array_except(F.array(*[F.lit(i) for i in group_1]), "individual")
).withColumn(
    "group_2",
    F.array_except(F.array(*[F.lit(i) for i in group_2]), "individual")
).withColumn(
    "array2",
    F.explode(F.array(
        *[
            F.struct(F.array_intersect("array2", "individual").alias("col1"),
                     F.col("individual").cast("string").alias("col2")),
            F.struct(F.array_intersect("array2", "group_1").alias("col1"),
                     F.lit("group_1").alias("col2")),
            F.struct(F.array_intersect("array2", "group_2").alias("col1"),
                     F.lit("group_2").alias("col2"))
        ])
    )
).select("id", "array2.*")

df1.show(truncate=False)

#+---+------------+------------+
#|id |col1        |col2        |
#+---+------------+------------+
#|id1|[a, b, c, d]|[a, b, c, d]|
#|id1|[e, f, g]   |group_1     |
#|id1|[h, i, j, k]|group_2     |
#+---+------------+------------+

说明：

首先，将array1分成三个数组：individual、group_1和group_2。每一个都包含相应组的元素。 group_1 和 group_2 中存在于 individual 中的元素将从这些组中删除。
然后，使用 array_intersect 函数从 array2 列获取元素，这些元素存在于上面创建的三个组数组中的每一个中。
最后，将上面创建的新数组展开

请注意，如果您想验证 group_1 或 group_2 是否存在于 array1 列中，您可以将 when 与 array_contains 函数一起使用：

F.when(
    F.array_contains(F.col("array1"), F.lit("group_1")),
    F.array_except(F.array(*[F.lit(i) for i in group_1]), "individual")
)

在示例中，我假设它始终存在于 array1。

拆分成组并分解 pyspark 数组类型列

Splitting into groups and exploding pyspark array type column

python

apache-spark

apache-spark-sql

pyspark

pyspark-dataframes