如何向 Spark DataFrame 添加新列（使用 PySpark）？答案

【问题标题】：How do I add a new column to a Spark DataFrame (using PySpark)?如何向 Spark DataFrame 添加新列（使用 PySpark）？
【发布时间】：2016-02-14 08:53:12
【问题描述】：

我有一个 Spark DataFrame（使用 PySpark 1.5.1）并想添加一个新列。

我尝试了以下方法但没有成功：

type(randomed_hours) # => list

# Create in Python and transform to RDD

new_col = pd.DataFrame(randomed_hours, columns=['new_col'])

spark_new_col = sqlContext.createDataFrame(new_col)

my_df_spark.withColumn("hours", spark_new_col["new_col"])

使用这个也有错误：

my_df_spark.withColumn("hours",  sc.parallelize(randomed_hours))

那么如何使用 PySpark 向现有 DataFrame 添加新列（基于 Python 向量）？

【问题讨论】：

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

【解决方案1】：

使用一些自定义值或动态值计算添加新列，这些值将基于现有列填充。

例如

|ColumnA | ColumnB |
|--------|---------|
| 10     | 15      |
| 10     | 20      |
| 10     | 30      |

和新的 ColumnC 作为 ColumnA+ColumnB

|ColumnA | ColumnB | ColumnC|
|--------|---------|--------|
| 10     | 15      | 25     |
| 10     | 20      | 30     |
| 10     | 30      | 40     |

使用

#to add new column
def customColumnVal(row):
rd=row.asDict()
rd["ColumnC"]=row["ColumnA"] + row["ColumnB"]

new_row=Row(**rd)
return new_row
----------------------------
#convert DF to RDD
df_rdd= input_dataframe.rdd

#apply new fucntion to rdd
output_dataframe=df_rdd.map(customColumnVal).toDF()

input_dataframe 是要修改的数据框，customColumnVal 函数有代码来添加新列。

【讨论】：

【解决方案2】：

我们可以通过多种方式在 pySpark 中添加新列。

让我们首先创建一个简单的 DataFrame。

date = [27, 28, 29, None, 30, 31]
df = spark.createDataFrame(date, IntegerType())

现在让我们尝试将列值加倍并将其存储在新列中。 PFB 有几种不同的方法可以实现相同的目标。

# Approach - 1 : using withColumn function
df.withColumn("double", df.value * 2).show()

# Approach - 2 : using select with alias function.
df.select("*", (df.value * 2).alias("double")).show()

# Approach - 3 : using selectExpr function with as clause.
df.selectExpr("*", "value * 2 as double").show()

# Approach - 4 : Using as clause in SQL statement.
df.createTempView("temp")
spark.sql("select *, value * 2 as double from temp").show()

更多关于spark DataFrame函数的例子和解释，可以访问我的blog。

我希望这会有所帮助。

【讨论】：

【解决方案3】：

我们可以通过以下步骤直接向 DataFrame 添加额外的列：

from pyspark.sql.functions import when
df = spark.createDataFrame([["amit", 30], ["rohit", 45], ["sameer", 50]], ["name", "age"])
df = df.withColumn("profile", when(df.age >= 40, "Senior").otherwise("Executive"))
df.show()

【讨论】：

【解决方案4】：

添加列的最简单方法是使用“withColumn”。由于数据框是使用 sqlContext 创建的，因此您必须指定架构或默认情况下可以在数据集中使用。如果指定了模式，那么每次更改时工作负载都会变得乏味。

以下是您可以考虑的示例：

from pyspark.sql import SQLContext
from pyspark.sql.types import *
sqlContext = SQLContext(sc) # SparkContext will be sc by default 

# Read the dataset of your choice (Already loaded with schema)
Data = sqlContext.read.csv("/path", header = True/False, schema = "infer", sep = "delimiter")

# For instance the data has 30 columns from col1, col2, ... col30. If you want to add a 31st column, you can do so by the following:
Data = Data.withColumn("col31", "Code goes here")

# Check the change 
Data.printSchema()

【讨论】：

如果 col31 值是 lke df['keyName']，你会怎么做？

【解决方案5】：

我想为一个非常相似的用例提供一个通用示例：

用例：我有一个包含以下内容的 csv：

First|Third|Fifth
data|data|data
data|data|data
...billion more lines

我需要执行一些转换，最终的 csv 需要看起来像

First|Second|Third|Fourth|Fifth
data|null|data|null|data
data|null|data|null|data
...billion more lines

我需要这样做，因为这是由某个模型定义的架构，我需要让我的最终数据与 SQL 批量插入和类似的东西互操作。

所以：

1) 我使用 spark.read 读取原始 csv 并将其命名为“df”。

2) 我对数据做一些事情。

3) 我使用此脚本添加空列：

outcols = []
for column in MY_COLUMN_LIST:
    if column in df.columns:
        outcols.append(column)
    else:
        outcols.append(lit(None).cast(StringType()).alias('{0}'.format(column)))

df = df.select(outcols)

通过这种方式，您可以在加载 csv 后构建您的架构（如果您必须对许多表执行此操作，也可以用于重新排序列）。

【讨论】：

【解决方案6】：

from pyspark.sql.functions import udf
from pyspark.sql.types import *
func_name = udf(
    lambda val: val, # do sth to val
    StringType()
)
df.withColumn('new_col', func_name(df.old_col))

【讨论】：

您需要致电StringType()。

【解决方案7】：

使用 UDF 添加列：

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

from pyspark.sql.functions import udf
from pyspark.sql.types import *

def valueToCategory(value):
   if   value == 1: return 'cat1'
   elif value == 2: return 'cat2'
   ...
   else: return 'n/a'

# NOTE: it seems that calls to udf() must be after SparkContext() is called
udfValueToCategory = udf(valueToCategory, StringType())
df_with_cat = df.withColumn("category", udfValueToCategory("x1"))
df_with_cat.show()

## +---+---+-----+---------+
## | x1| x2|   x3| category|
## +---+---+-----+---------+
## |  1|  a| 23.0|     cat1|
## |  3|  B|-23.0|      n/a|
## +---+---+-----+---------+

【讨论】：

【解决方案8】：

您不能在 Spark 中将任意列添加到 DataFrame。只能使用字面量创建新列（其他字面量类型在How to add a constant column in a Spark DataFrame? 中描述）

from pyspark.sql.functions import lit

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

df_with_x4 = df.withColumn("x4", lit(0))
df_with_x4.show()

## +---+---+-----+---+
## | x1| x2|   x3| x4|
## +---+---+-----+---+
## |  1|  a| 23.0|  0|
## |  3|  B|-23.0|  0|
## +---+---+-----+---+

转换现有列：

from pyspark.sql.functions import exp

df_with_x5 = df_with_x4.withColumn("x5", exp("x3"))
df_with_x5.show()

## +---+---+-----+---+--------------------+
## | x1| x2|   x3| x4|                  x5|
## +---+---+-----+---+--------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9|
## |  3|  B|-23.0|  0|1.026187963170189...|
## +---+---+-----+---+--------------------+

包含使用join:

from pyspark.sql.functions import exp

lookup = sqlContext.createDataFrame([(1, "foo"), (2, "bar")], ("k", "v"))
df_with_x6 = (df_with_x5
    .join(lookup, col("x1") == col("k"), "leftouter")
    .drop("k")
    .withColumnRenamed("v", "x6"))

## +---+---+-----+---+--------------------+----+
## | x1| x2|   x3| x4|                  x5|  x6|
## +---+---+-----+---+--------------------+----+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|
## |  3|  B|-23.0|  0|1.026187963170189...|null|
## +---+---+-----+---+--------------------+----+

或用函数/udf生成：

from pyspark.sql.functions import rand

df_with_x7 = df_with_x6.withColumn("x7", rand())
df_with_x7.show()

## +---+---+-----+---+--------------------+----+-------------------+
## | x1| x2|   x3| x4|                  x5|  x6|                 x7|
## +---+---+-----+---+--------------------+----+-------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|0.41930610446846617|
## |  3|  B|-23.0|  0|1.026187963170189...|null|0.37801881545497873|
## +---+---+-----+---+--------------------+----+-------------------+

映射到 Catalyst 表达式的性能方面的内置函数 (pyspark.sql.functions) 通常优于 Python 用户定义函数。

如果您想将任意 RDD 的内容添加为列，您可以

添加row numbers to existing data frame
在RDD上调用zipWithIndex并将其转换为数据帧
使用索引作为连接键来连接两者

【讨论】：

"只能使用字面量创建新列" 在这种情况下字面量究竟是什么意思？
Spark 的文档很棒，请参阅 df.withColumn spark.apache.org/docs/2.1.0/api/python/…
Spark 文档之所以“很棒”，只是因为它为精明的读者留下了大量的用法。 Spark（和 Pyspark）涵盖了一个名副其实的数据结构动物园，很少或根本没有关于如何在它们之间进行转换的说明。恰当的例子：像这样的问题激增。

【解决方案9】：

对于Spark 2.0

# assumes schema has 'age' column 
df.select('*', (df.age + 10).alias('agePlusTen'))

【讨论】：

需要为df.select('*', (df.age + 10).alias('agePlusTen'))
谢谢，如果您输入df = df.select('*', (df.age + 10).alias('agePlusTen'))，您实际上是在添加任意列，因为@zero323 在上面警告我们是不可能的，除非在Spark 中这样做有问题，在 Pandas 中，这是标准方式..
pySpark 有这个版本吗？
@Tagar 以上 sn-p 是 python。
@GeoffreyAnderson, df.select('*', df.age + 10, df.age + 20)

【解决方案10】：

您可以在添加column_name时定义一个新的udf：

u_f = F.udf(lambda :yourstring,StringType())
a.select(u_f().alias('column_name')

【讨论】：