如何在 Spark DataFrame/DataSet 中将行拆分为不同的列？

Question

假设我有这样的数据集：

Name | Subject | Y1  | Y2 
A    | math    | 1998| 2000
B    |         | 1996| 1999
     | science | 2004| 2005

我想拆分这个数据集的行，这样 Y2 列将被删除，例如：

Name | Subject | Y1
A    | math    | 1998
A    | math    | 1999
A    | math    | 2000
B    |         | 1996
B    |         | 1997
B    |         | 1998
B    |         | 1999
     | science | 2004
     | science | 2005

有人可以在这里提出一些建议吗？我希望我已经把我的问题说清楚了。提前致谢。

Answer 1

我认为您只需要创建一个udf 即可创建范围。然后您可以使用explode 创建必要的行：

val createRange = udf { (yearFrom: Int, yearTo: Int) =>
    (yearFrom to yearTo).toList
}

df.select($"Name", $"Subject", functions.explode(createRange($"Y1", $"Y2"))).show()

编辑：此代码的 python 版本将类似于：

from pyspark.sql import Row
from pyspark.sql.functions import udf, explode
from pyspark.sql.types import IntegerType

createRange=udf( lambda (yearFrom, yearTo): list(range(yearFrom, yearTo)), IntegerType())

df.select($"Name", $"Subject", explode(createRange($"Y1", $"Y2"))).show()

Answer 2

我已经在 pyspark 中测试了这段代码，它按预期工作：

data= sc.parallelize([["A","math",1998,2000],["B","",1996,1999],["","science",2004,2005]]

data.map(lambda reg: ((reg[0],reg[1]),(range(reg[2],reg[3]+1))) )
    .flatMapValues(lambda reg: reg).collect()

更详细地说，您需要将输入数据转换为 (key,value) 形式的一对 RDD，其中 key 由前两个字段组成，因为结果将被展平，保持 key 不变，@987654322 @。要映射的值构造为从Y1 到Y2 的range。所有这些都在第一个map 中完成。

flatMapValues 将返回与其key 关联的range 中的每个值。

输出如下：

[(('A', 'math'), 1998),
 (('A', 'math'), 1999),
 (('A', 'math'), 2000),
 (('B', ''), 1996),
 (('B', ''), 1997),
 (('B', ''), 1998),
 (('B', ''), 1999),
 (('', 'science'), 2004),
 (('', 'science'), 2005)]

Answer 3

您可以通过以下方式实现此功能：

  val resultantDF= df.rdd.flatMap{row =>
    val rangeInitial = row.getInt(2)
    val rangeEnd = row.getInt(3)
    val array = rangeInitial to rangeEnd
    (List.fill(array.size)(row.getString(0)),List.fill(array.size)(row.getString(1)),array).zipped.toList
    }.toDF("Name","Subject","Y1")

resultantDF.show()

Answer 4

您可以轻松地使用 spark select 在 Data frame 甚至 RDD 中获取您想要的内容。

Dataset<Row> sqlDF = spark.sql("SELECT Name,Subject,Y1 FROM tableName");

如果你从已经存在的数据框开始，比如用户，你可以使用这样的东西：

resultDF = usersDF.select("Name","Subject","Y1");