如何使用 pyspark 从列表中获取最后一项？答案

【问题标题】：How do I get the last item from a list using pyspark?如何使用 pyspark 从列表中获取最后一项？
【发布时间】：2016-11-07 14:45:12
【问题描述】：

为什么列1st_from_end 包含null：

from pyspark.sql.functions import split
df = sqlContext.createDataFrame([('a b c d',)], ['s',])
df.select(   split(df.s, ' ')[0].alias('0th'),
             split(df.s, ' ')[3].alias('3rd'),
             split(df.s, ' ')[-1].alias('1st_from_end')
         ).show()

我认为使用[-1] 是一种获取列表中最后一项的pythonic 方式。为什么在pyspark中不起作用？

【问题讨论】：

标签： apache-spark pyspark apache-spark-sql

【解决方案1】：

对于 Spark 2.4+，请使用 pyspark.sql.functions.element_at，请参阅以下文档：

element_at(array, index) - 返回给定（从 1 开始）索引处的数组元素。如果 index

from pyspark.sql.functions import element_at, split, col

df = spark.createDataFrame([('a b c d',)], ['s',])

df.withColumn('arr', split(df.s, ' ')) \
  .select( col('arr')[0].alias('0th')
         , col('arr')[3].alias('3rd')
         , element_at(col('arr'), -1).alias('1st_from_end')
     ).show()

+---+---+------------+
|0th|3rd|1st_from_end|
+---+---+------------+
|  a|  d|           d|
+---+---+------------+

【讨论】：

【解决方案2】：

如果您使用的是 Spark >= 2.4.0，请参阅 jxc 的回答 below。

在 Spark -1 索引，但您可以编写自己的 UDF 或使用内置的 size() 函数，例如：

>>> from pyspark.sql.functions import size
>>> splitted = df.select(split(df.s, ' ').alias('arr'))
>>> splitted.select(splitted.arr[size(splitted.arr)-1]).show()
+--------------------+
|arr[(size(arr) - 1)]|
+--------------------+
|                   d|
+--------------------+

【讨论】：

感谢您确认我的怀疑。我的解决方案比这更狡猾：reverse(split(reverse(df.s), ' ')[0])

【解决方案3】：

基于 jamiet 的解决方案，我们可以通过删除 reverse 来进一步简化

from pyspark.sql.functions import split, reverse

df = sqlContext.createDataFrame([('a b c d',)], ['s',])
df.select(   split(df.s, ' ')[0].alias('0th'),
             split(df.s, ' ')[3].alias('3rd'),
             reverse(split(df.s, ' '))[-1].alias('1st_from_end')
         ).show()

【讨论】：

【解决方案4】：

创建你自己的 udf 看起来像这样

    def get_last_element(l):
        return l[-1]
    get_last_element_udf = F.udf(get_last_element)

    df.select(get_last_element(split(df.s, ' ')).alias('1st_from_end')

【讨论】：