根据其他列上的条件在 Pyspark 数据框中添加新列

Question

我有一个 Pyspark 数据框如下：

+------------+-------------+--------------------+
|package_id  | location    | package_scan_code  | 
+------------+-------------+--------------------+
|123         | Denver      |05                  |  
|123         | LosAngeles  |03                  |  
|123         | Dallas      |09                  |  
|123         | Vail        |02                  | 
|456         | Jacksonville|05                  |  
|456         | Nashville   |09                  |
|456         | Memphis     |03                  |

"package_scan_code" 03 代表包裹的来源。

我想在这个数据帧中添加一列“origin”，这样对于每个包（由“package_id”标识），新添加的 origin 列中的值将与对应于“package_scan_code”03 的位置相同。

在上面的例子中，有两个唯一的包 123 和 456，它们的来源分别是 LosAngeles 和 Memphis（对应 package_scan_code 03）。

所以我希望我的输出如下：

+------------+-------------+--------------------+------------+
| package_id |location     | package_scan_code  |origin      |
+------------+-------------+--------------------+------------+
|123         | Denver      |05                  | LosAngeles |
|123         | LosAngeles  |03                  | LosAngeles |
|123         | Dallas      |09                  | LosAngeles |
|123         | Vail        |02                  | LosAngeles |
|456         | Jacksonville|05                  |  Memphis   |
|456         | Nashville   |09                  |  Memphis   |
|456         | Memphis     |03                  |  Memphis   |

如何在 Pyspark 中实现这一点？我尝试了.withColumn 方法，但我无法获得正确的条件。

Answer 1

通过package_scan_code == '03'过滤数据框，然后加入原始数据框：

(df.filter(df.package_scan_code == '03')
   .selectExpr('package_id', 'location as origin')
   .join(df, ['package_id'], how='right')
   .show())
+----------+----------+------------+-----------------+
|package_id|    origin|    location|package_scan_code|
+----------+----------+------------+-----------------+
|       123|LosAngeles|      Denver|               05|
|       123|LosAngeles|  LosAngeles|               03|
|       123|LosAngeles|      Dallas|               09|
|       123|LosAngeles|        Vail|               02|
|       456|   Memphis|Jacksonville|               05|
|       456|   Memphis|   Nashville|               09|
|       456|   Memphis|     Memphis|               03|
+----------+----------+------------+-----------------+

注意：这里假设每个package_id 最多有一个package_scan_code 等于03，否则逻辑将不正确，您需要重新考虑如何定义origin。

Answer 2

无论数据框中的每个package_id 出现多少次package_scan_code=03，此代码都应该有效。我又添加了一个 (123,'LosAngeles','03') 来证明 -

第一步：创建DataFrame

values = [(123,'Denver','05'),(123,'LosAngeles','03'),(123,'Dallas','09'),(123,'Vail','02'),(123,'LosAngeles','03'),
          (456,'Jacksonville','05'),(456,'Nashville','09'),(456,'Memphis','03')]
df = sqlContext.createDataFrame(values,['package_id','location','package_scan_code'])

第 2 步：创建package_id 和location 的字典。

df_count = df.where(col('package_scan_code')=='03').groupby('package_id','location').count()
dict_location_scan_code = dict(df_count.rdd.map(lambda x: (x['package_id'], x['location'])).collect())
print(dict_location_scan_code)
    {456: 'Memphis', 123: 'LosAngeles'}

第 3 步：创建列，映射字典。

from pyspark.sql.functions import col, create_map, lit
from itertools import chain
mapping_expr = create_map([lit(x) for x in chain(*dict_location_scan_code.items())])
df = df.withColumn('origin', mapping_expr.getItem(col('package_id')))
df.show()
+----------+------------+-----------------+----------+
|package_id|    location|package_scan_code|    origin|
+----------+------------+-----------------+----------+
|       123|      Denver|               05|LosAngeles|
|       123|  LosAngeles|               03|LosAngeles|
|       123|      Dallas|               09|LosAngeles|
|       123|        Vail|               02|LosAngeles|
|       123|  LosAngeles|               03|LosAngeles|
|       456|Jacksonville|               05|   Memphis|
|       456|   Nashville|               09|   Memphis|
|       456|     Memphis|               03|   Memphis|
+----------+------------+-----------------+----------+