apache-spark - 如何将基于匹配字段的数据帧的几列转换为数组
问题描述
我有一个看起来像这样的数据框
+---+----+------+-------+------+
| Id|fomrid|values|occ| comments
+---+----+------+-------+------+
| 1| x1 | 22.0| 1| text1|
| 1| x1 | test| 2| text2 |
| 1| x1 | 11| 3| text3 |
| 1| x2 | 21 | 0 | text4 |
| 2| p1 | 1 | 1| text5 |
+---+----+------+-------+------+
如何将其转换为以下数据框?本质上,我想根据 formId 创建一个值和 occ 列表。
+---+------+--------------+--------+------+
| Id|fomrid|List_values |List_occ| comments
+---+------+--------------+--------+------+
| 1| x1 |[22.0, test,11]|[1,2,3]| text1|
| 1| x2 | [21] | [0] | text4 |
| 2| p1 | [1] | [1] | text5 |
+---+-----+---------------+-------+-------+
解决方案
您可以使用collect_list
来实现这一点。
使用火花 sql
创建一个临时视图并在您的 spark 会话上运行它
input_df.createOrReplaceTempView("my_temp_table_or_view")
output_df = sparkSession.sql("<insert sql below here>")
SELECT
Id,
fomrid,
collect_list(values) as List_values,
collect_list(occ) as List_occ,
MIN(comments) as comments
FROM
my_temp_table_or_view
GROUP BY
Id, formrid
使用 pyspark api
from pyspark.sql import functions as F
output_df = (
input_df.groupBy(["Id","fomrid"])
.agg(
F.collect_list("values").alias("List_values"),
F.collect_list("occ").alias("List_occ"),
F.min("comments").alias("comments")
)
)
使用斯卡拉
val output_df = input_df.groupBy("Id","fomrid")
.agg(
collect_list("values").alias("List_values"),
collect_list("occ").alias("List_occ"),
min("comments").alias("comments")
)
让我知道这是否适合您。
推荐阅读
- javascript - Java 脚本函数不起作用,如何将我的 javascript 文件添加到 html 并使其正常工作
- sql - SQL - 查找所有不库存 2003 年 1 月 1 日之后生产的产品的商店
- selenium - 我想用 Selenium 进行测试,但出现错误 Webdrivers :: BrowserNotFound
- python - 进口 PSAW brython
- python - 为什么与使用两个 Numpy 数组的向量化相比,使用 Numpy 数组和 int 进行算术运算时减法更快?
- xcode - 没有小数位的心率
- html - 如何强制(旋转)垂直弹性框中的元素不重叠?
- c - C Socket 编程:尝试使用 fork() 提供新的客户端连接
- java - 我是 Maven 新手,有没有更好的方法来搜索原型?
- python - 在python中打印转义序列字符