python - 分组并爆炸pyspark数组类型列
问题描述
我有静态列表group_1
和group_2
:
group_1 = [a,b,c,d,e,f,g]
group_2 = [h,i,j,k]
我有 pyspark 数据框df1
,如下所示。
示例 1:
df1:
+-----+----------------------------------------+-----------------------------------------+
|id |array1 |array2 |
+-----+----------------------------------------+-----------------------------------------+
|id1 |[a,b,c,d,group_1,group_2] |[a,b,c,d,e,f,g,h,i,j,k] |
+-----+----------------------------------------+-----------------------------------------+
输出_df:
+-----+-------------------|-------------------|
|id |col1 |col2 |
+-----+-------------------|-------------------|
|id1 |[a,b,c,d] |[a,b,c,d] |
|id1 |[e,f,g] |group_1 |
|id1 |[h,i,j,k] |group_2 |
+-----+-------------------|-------------------|
实际上,array2
列将具有列中的元素array1
。这就是我的源数据框 ( source_df1
) 的样子。
如果我们看到array1
column 有单独的元素,比如(a,b,c,d)
and alsogroup_1
和group_2
元素,但它们放在一起是不同的。
现在我想通过爆炸来创建 pyspark 数据框,将单个元素和组元素分类为output_df
.
Example1 观察:如果我们看到输出数据框output_df
,第二条记录group_1
只有[e,f,g]
因为其他元素已经是单个元素的一部分。
示例 2:
来源_df1:
+-----+----------------------------------------+-----------------------------------------+
|id |array1 |array2 |
+-----+----------------------------------------+-----------------------------------------+
|id1 |[a,b,group_1,group_2] |[a,b,c,d,e,f,g,h,i,j,k] |
+-----+----------------------------------------+-----------------------------------------+
输出_df:
+-----+-------------------|-------------------|
|id |col1 |col2 |
+-----+-------------------|-------------------|
|id1 |[a,b] |[a,b] |
|id1 |[c,d,e,f,g] |group_1 |
|id1 |[h,i,j,k] |group_2 |
+-----+-------------------|-------------------|
Example2 观察:如果我们看到输出数据框output_df
。第二条记录group_1
只是[c,d,e,f,g]
因为其他元素已经是单个元素的一部分。
任何人都可以帮助实现这一目标吗?
解决方案
如果您可以使用 Spark 2.4+,您可以使用一些数组函数来实现:
from pyspark.sql import functions as F
df1 = df.withColumn(
"individual",
F.array_except(F.col("array1"), F.array(*[F.lit("group_1"), F.lit("group_2")]))
).withColumn(
"group_1",
F.array_except(F.array(*[F.lit(i) for i in group_1]), "individual")
).withColumn(
"group_2",
F.array_except(F.array(*[F.lit(i) for i in group_2]), "individual")
).withColumn(
"array2",
F.explode(F.array(
*[
F.struct(F.array_intersect("array2", "individual").alias("col1"),
F.col("individual").cast("string").alias("col2")),
F.struct(F.array_intersect("array2", "group_1").alias("col1"),
F.lit("group_1").alias("col2")),
F.struct(F.array_intersect("array2", "group_2").alias("col1"),
F.lit("group_2").alias("col2"))
])
)
).select("id", "array2.*")
df1.show(truncate=False)
#+---+------------+------------+
#|id |col1 |col2 |
#+---+------------+------------+
#|id1|[a, b, c, d]|[a, b, c, d]|
#|id1|[e, f, g] |group_1 |
#|id1|[h, i, j, k]|group_2 |
#+---+------------+------------+
说明:
- 首先,
array1
分成三个数组:individual
,group_1
和group_2
。每一个都包含对应组的元素。从这些组中删除来自group_1
和group_2
存在于其中的元素。individual
- 然后,使用
array_intersect
函数从array2
列中获取元素,这些元素存在于上面创建的三个组数组中的每一个中。 - 最后,分解上面创建的新数组
请注意,如果您想验证group_1
orgroup_2
是否存在于array1
列中,您可以使用when
函数array_contains
:
F.when(
F.array_contains(F.col("array1"), F.lit("group_1")),
F.array_except(F.array(*[F.lit(i) for i in group_1]), "individual")
)
在示例中,我认为它始终存在于array1
.