.net - Spark Dataframe API 选择多个列,将它们映射到一个固定的集合,然后联合所有
问题描述
我有一个定义了此架构的 CSV 源文件。
["Name", "Address", "TaxId", "SS Number", "Mobile Number", "Gender", "LastVisited"]
在这个 CSV 中,这些是我需要做的操作:
一次选择一个列子集,并将它们全部映射到这个固定模式:
["Name", "Address", "Mobile", "UniqueID", "UniqueIdentifierRefCode"]
因此,例如,在第一次迭代中,我将只选择列的一个子集:
[Col("Name"), Col("Address"), Col("Mobile Number"), Col("TaxId"), Lit("TaxIdentifier")]
在下一次迭代中,我需要选择一个不同的子集,但将它们映射到相同的固定模式:
[Col("Name"), Col("Address"), Col("Mobile Number"), Col("SS Number"), Lit("SocialSecurityNumber")]
我可以通过运行 for 循环、选择列并最后执行 UnionAll 来完成所有这些操作。但是有没有更好的方法让 Spark 处理这个问题?
解决方案
您不需要循环,但可以使用联合,如果您将数据框过滤到您想要的行,您可以使用Union
- 在我使用的过滤器中,IsNotNull()
但您可以使用您喜欢的任何过滤器(如果您不确定在过滤器语法上给我们更多的细节,我会帮忙的)。
var taxId = dataFrame.Filter(Functions.Col("TaxId").IsNotNull())
.WithColumn("UniqueId", Functions.Col("TaxId"));
var ssId = dataFrame.Filter(Functions.Col("ss").IsNotNull())
.WithColumn("UniqueId", Functions.Col("ss"));
var unionedDataFrame = taxId.Union(ssId);
unionedDataFrame.Show()
获得最终数据框后,您可以选择实际需要的列或删除不需要的列:
unionedDataFrame.Drop("TaxId").Show()
或者
unionedDataFrame.Select("name, UniqueId").Show()
从逻辑上讲,在 Spark 中,这与以下内容完全相同:
dataFrame.Filter(Functions.Col("TaxId").IsNotNull())
.WithColumn("UniqueId", Functions.Col("TaxId"))
.Union(
dataFrame.Filter(Functions.Col("ss").IsNotNull())
.WithColumn("UniqueId", Functions.Col("ss"))
).Show()
还要注意,当您调用一个方法时,您会得到一个新的 DataFrame,因此 dataFrame.Filter() 的结果是一个单独的 DataFrame,dataFrame
但需要注意的重要一点是,由于延迟评估,Spark 在执行查询时会创建计划.