python-3.x - 在pyspark中展平Maptype列
问题描述
我有一个带有一列的 pyspark DataFrame,MapType
并希望通过键名将其分解为所有列
root
|-- a: map (nullable = true)
| |-- key: string
| |-- value: long (valueContainsNull = true)
我想做sp_test.select('a.*')
但得到一个错误:
AnalysisException: '只能用星号扩展结构数据类型。属性:
ArrayBuffer(a)
;'
如果我们知道所有的键,这可以通过做
sp_test.select(['a.%s'%item for item in ['a','b']]).show()
但我想删除关键依赖
如果我们有一个 StrucType 列,这可以通过以下方式轻松实现display(nested_df.select('*', 'nested_array.*'))
root
|-- _corrupt_record: string (nullable = true)
|-- field1: long (nullable = true)
|-- field2: long (nullable = true)
|-- nested_array: struct (nullable = true)
| |-- nested_field1: long (nullable = true)
| |-- nested_field2: long (nullable = true)
我有些疑惑:
- 可以
MapType
转换为StructType
? - 我们可以直接从中查询子键
MapType
吗?
解决方案
TL; DR:除非您提前知道可能的密钥,否则没有简单的方法可以完成您的要求。
让我用一个例子来解释为什么以及你的选择是什么。
首先,创建以下 DataFrame:
data = [({'a': 1, 'b': 2},), ({'c':3},), ({'a': 4, 'c': 5},)]
df = spark.createDataFrame(data, ["a"])
df.show()
#+-------------------+
#| a|
#+-------------------+
#|Map(a -> 1, b -> 2)|
#| Map(c -> 3)|
#|Map(a -> 4, c -> 5)|
#+-------------------+
它具有以下架构:
df.printSchema()
#root
# |-- a: map (nullable = true)
# | |-- key: string
# | |-- value: long (valueContainsNull = true)
- 可以
MapType
转换为StructType
?
简单的答案是否定的(至少效率不高),除非您提前知道密钥。
MapType
the和 the之间的区别在于StructType
映射的键值对是逐行独立的。StructType
结构列中的列不是这种情况,所有行都具有相同的结构字段。
出于这个原因,spark 不能轻易地从地图中推断出要创建哪些列。(请记住,火花在每一行上并行运行)。另一方面,将结构分解成列很简单,因为所有列都是提前知道的。
因此,如果您知道密钥,则可以通过以下方式创建结构类型:
import pyspark.sql.functions as f
df_new = df.select(
f.struct(*[f.col("a").getItem(c).alias(c) for c in ["a", "b", "c"]]).alias("a")
)
df_new.show()
#+-------------+
#| a|
#+-------------+
#| [1,2,null]|
#|[null,null,3]|
#| [4,null,5]|
#+-------------+
新模式是:
df_new.printSchema()
#root
# |-- a: struct (nullable = false)
# | |-- a: long (nullable = true)
# | |-- b: long (nullable = true)
# | |-- c: long (nullable = true)
- 我们可以直接从 MapType 查询子键吗?
是的,(如上所示)您可以使用getItem()
which 将从列表中的索引处获取项目,或者通过键从地图中获取项目。
如果您不知道键,您唯一的选择是explode
将映射成行,groupby
并且pivot
.
df.withColumn("id", f.monotonically_increasing_id())\
.select("id", f.explode("a"))\
.groupby("id")\
.pivot("key")\
.agg(f.first("value"))\
.drop("id")\
.show()
#+----+----+----+
#| a| b| c|
#+----+----+----+
#|null|null| 3|
#| 1| 2|null|
#| 4|null| 5|
#+----+----+----+
在这种情况下,我们需要先创建一个id
列,以便进行分组。
这里pivot
可能很昂贵,具体取决于数据的大小。
推荐阅读
- python-3.x - 检查字符串中的第一个字符是否等于最后一个字符
- spring-boot - JaVers 为自定义列表差异提供了不正确的结果
- python - 如何比较基于特征选择回归的算法和基于树的算法?
- android - Android Studio 矢量资源失真
- java - 如何在后台使用 powershell 运行 java 类?
- c# - 为什么我的游戏对象没有被拖动和捕捉?
- sql-server - T-SQL OPENXML 查询中缺少元素
- dictionary - 如何安全地允许当前访问嵌套地图?
- python - 安装 python 模块,以便我可以在任何地方使用它
- c# - C# Azure 获取包含文件的特定目录