更新 Pyspark 中地图类型列的结构化值答案

【问题标题】：Update structured values of a map type column in Pyspark更新 Pyspark 中地图类型列的结构化值
【发布时间】：2021-04-10 14:11:56
【问题描述】：

我正在尝试修改 Map 类型的 Dataframe 列，其值依次为 Struct 类型：

root
 |-- name: string (nullable = true)
 |-- age: long (nullable = true)
 |-- MapName: map (nullable = true)
 |    |-- key: string
 |    |-- value: struct (valueContainsNull = true)
 |    |    |-- field1: double (nullable = true)
 |    |    |-- field2: double (nullable = true)

我以 MapName 列初始化为 None 的方式创建了 DataFrame，因为我需要在以后的阶段填写信息。我使用的代码如下：

from pyspark.sql import SparkSession, DataFrame
from pyspark.sql.functions import col, udf, lit
from pyspark.sql.types import StructType, StringType, LongType, DoubleType, MapType

spark = SparkSession.builder.appName("testMapType").getOrCreate()

data = [('Alice', 1)]
df = spark.createDataFrame(data, ['name','age'])

def value_struct():
    schema = StructType([
        StructField('field1', DoubleType(), True),
        StructField('field2', DoubleType(), True)])

    return schema

myschema = StructType([
        StructField('name', StringType(), True),
        StructField('age', LongType(), True),
        StructField('MapName', MapType(StringType(), value_struct()), True)])

df = df.withColumn('MapName',lit(None).cast(MapType(StringType(), value_struct())))
df = spark.createDataFrame(df.rdd, schema=myschema)
df.printSchema()

现在，当我尝试像这样使用 udf 更新 MapName 列时：

my_update_udf = udf(lambda x: {**x, **{'a_map_key':{'field1':3.2,'field2':2.6}}}, MapType(StringType(), value_struct()))
df2 = df.withColumn('MapName', my_update_udf(col('MapName')))
df2.collect()

我收到以下错误：

TypeError: 'NoneType' object is not a mapping

我在过去的询问中找不到任何建议，这里有什么帮助吗？

【问题讨论】：

标签： python dataframe apache-spark pyspark apache-spark-sql

【解决方案1】：

您不需要 UDF。您可以使用相关的 Spark SQL 函数来创建映射和结构。

import pyspark.sql.functions as F

new_map = F.create_map(
    F.lit('a_map_key'),
    F.struct(
        F.lit(3.2).alias('field1'),
        F.lit(2.6).alias('field2')
    )
)

df2 = df.withColumn(
    'MapName',
    F.when(
        F.col('MapName').isNotNull(),      # need to check null because 
        F.map_concat('MapName', new_map)   # map_concat doesn't work if map is null
    ).otherwise(new_map)
)

df2.show(truncate=False)
+-----+---+-------------------------+
|name |age|MapName                  |
+-----+---+-------------------------+
|Alice|1  |[a_map_key -> [3.2, 2.6]]|
+-----+---+-------------------------+

【讨论】：