python - PySpark 2.2 爆炸删除空行（如何实现explode

问题描述

我正在处理 PySpark 数据框中的一些深度嵌套的数据。当我试图将结构展平为行和列时，我注意到当我调用时，withColumn如果该行包含null在源列中，那么该行将从我的结果数据框中删除。相反，我想找到一种方法来保留该行并null在结果列中。

要使用的示例数据框：

from pyspark.sql.functions import explode, first, col, monotonically_increasing_id
from pyspark.sql import Row

df = spark.createDataFrame([
  Row(dataCells=[Row(posx=0, posy=1, posz=.5, value=1.5, shape=[Row(_type='square', _len=1)]), 
                 Row(posx=1, posy=3, posz=.5, value=4.5, shape=[]), 
                 Row(posx=2, posy=5, posz=.5, value=7.5, shape=[Row(_type='circle', _len=.5)])
    ])
])

我还有一个用于展平结构的函数：

def flatten_struct_cols(df):
    flat_cols = [column[0] for column in df.dtypes if 'struct' not in column[1][:6]]
    struct_columns = [column[0] for column in df.dtypes if 'struct' in column[1][:6]]

    df = df.select(flat_cols +
                   [col(sc + '.' + c).alias(sc + '_' + c)
                   for sc in struct_columns
                   for c in df.select(sc + '.*').columns])

    return df

架构如下所示：

df.printSchema()

root
 |-- dataCells: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- posx: long (nullable = true)
 |    |    |-- posy: long (nullable = true)
 |    |    |-- posz: double (nullable = true)
 |    |    |-- shape: array (nullable = true)
 |    |    |    |-- element: struct (containsNull = true)
 |    |    |    |    |-- _len: long (nullable = true)
 |    |    |    |    |-- _type: string (nullable = true)
 |    |    |-- value: double (nullable = true)

起始数据框：

df.show(3)

+--------------------+
|           dataCells|
+--------------------+
|[[0,1,0.5,Wrapped...|
+--------------------+

我首先分解数组，因为我想将这个结构数组与结构数组转换为行和列。然后我将结构字段展平为新列。

df = df.withColumn('dataCells', explode(col('dataCells')))
df = flatten_struct_cols(df)
df.show(3)

我的数据看起来像：

+--------------+--------------+--------------+---------------+---------------+
|dataCells_posx|dataCells_posy|dataCells_posz|dataCells_shape|dataCells_value|
+--------------+--------------+--------------+---------------+---------------+
|             0|             1|           0.5|   [[1,square]]|            1.5|
|             1|             3|           0.5|             []|            4.5|
|             2|             5|           0.5|[[null,circle]]|            7.5|
+--------------+--------------+--------------+---------------+---------------+

一切都很好，正如预期的那样，直到我尝试具有空/空值explode的列。dataCells_shape

df = df.withColumn('dataCells_shape', explode(col('dataCells_shape')))
df.show(3)

这会将第二行从数据框中删除：

+--------------+--------------+--------------+---------------+---------------+
|dataCells_posx|dataCells_posy|dataCells_posz|dataCells_shape|dataCells_value|
+--------------+--------------+--------------+---------------+---------------+
|             0|             1|           0.5|     [1,square]|            1.5|
|             2|             5|           0.5|  [null,circle]|            7.5|
+--------------+--------------+--------------+---------------+---------------+

相反，我想保留该行并保留该列的空值以及其他列中的所有值。我尝试创建一个新列而不是在执行时覆盖旧列，.withColumn explode并且无论哪种方式都得到相同的结果。

如果行不为空/空，我还尝试创建一个UDF执行该explode函数的函数，但我遇到了 JVM 错误处理null。

from pyspark.sql.functions import udf
from pyspark.sql.types import NullType, StructType

def explode_if_not_null(trow):
    if trow:
        return explode(trow)
    else:
        return NullType

func_udf = udf(explode_if_not_null, StructType())
df = df.withColumn('dataCells_shape_test', func_udf(df['dataCells_shape']))
df.show(3)

AttributeError: 'NoneType' object has no attribute '_jvm'

任何人都可以建议我在ArrayType不丢失行的情况下爆炸或展平列的方法null吗？

我正在使用 PySpark 2.2.0

编辑：

在作为可能的欺骗提供的链接之后，我尝试实施.isNotNull().otherwise()提供结构模式的建议解决方案，.otherwise但该行仍然从结果集中退出。

df.withColumn("dataCells_shape_test", explode(when(col("dataCells_shape").isNotNull(), col("dataCells_shape"))
                                              .otherwise(array(lit(None).cast(df.select(col("dataCells_shape").getItem(0))
                                                                                                              .dtypes[0][1])
                                                              )
                                                        )
                                             )
             ).show()

+--------------+--------------+--------------+---------------+---------------+--------------------+
|dataCells_posx|dataCells_posy|dataCells_posz|dataCells_shape|dataCells_value|dataCells_shape_test|
+--------------+--------------+--------------+---------------+---------------+--------------------+
|             0|             1|           0.5|   [[1,square]]|            1.5|          [1,square]|
|             2|             5|           0.5|[[null,circle]]|            7.5|       [null,circle]|
+--------------+--------------+--------------+---------------+---------------+--------------------+

标签： pythonapache-sparkpysparkapache-spark-sql

from pyspark.sql.column import Column, _to_java_column def explode_outer(col): _explode_outer = sc._jvm.org.apache.spark.sql.functions.explode_outer return Column(_explode_outer(_to_java_column(col))) new_df = df.withColumn("dataCells_shape", explode_outer(col("dataCells_shape"))) +--------------+--------------+--------------+---------------+---------------+ |dataCells_posx|dataCells_posy|dataCells_posz|dataCells_shape|dataCells_value| +--------------+--------------+--------------+---------------+---------------+ | 0| 1| 0.5| [1,square]| 1.5| | 1| 3| 0.5| null| 4.5| | 2| 5| 0.5| [null,circle]| 7.5| +--------------+--------------+--------------+---------------+---------------+ root |-- dataCells_posx: long (nullable = true) |-- dataCells_posy: long (nullable = true) |-- dataCells_posz: double (nullable = true) |-- dataCells_shape: struct (nullable = true) | |-- _len: long (nullable = true) | |-- _type: string (nullable = true) |-- dataCells_value: double (nullable = true)

python - PySpark 2.2 爆炸删除空行（如何实现explode_outer）？

问题描述

解决方案

推荐阅读