Apache spark 如何转置dataframe来计算值是否存在的标志？

我有一个这样的数据名声

Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL
.......
10000|DPS123|OTH

UserID是标识用户的列，TypeExp列定义了该月的支出类型，现在我有了5种可能的支出，即

TypeExpList=[电影、游戏、服装、医疗、其他]

现在我想把它转换成一个用户级的数据帧，其中有一个0或1二进制变量存储信息天气与否，用户“X”已经完成了上述类型的支出

例如，在上面的快照中，数据帧输出应该如下所示

User| TypeExpList         #Type list is this array corresponding entry's [MOVIE,GAMES,CLOTHING,MEDICAL,OTH]
JAS123 |[1,0,1,0,1]      #since user has done expenditure on Movie,CLOTHING,OTHER Category 
ASP123 |[0,1,0,1,0]       #since User expenditure on  GAMES & MEDICAL
DPS123 |[1,0,1,0,1]         #since user expenditure on  MOVIE,CLOTHING & OTHER
POQ133 |[0,0,0,1,0]        #since User Expenditure on MEDICAL only 

---

解决方案在Scala中，但在PySpark中也应该类似，因为它使用DSL。Pivot可用于Spark 1.6+

val pivotDf = df.groupBy($"userid").pivot("typeexp").agg(count($"typeexp") )

pivotDf.show
+------+--------+-----+-------+-----+---+
|userid|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|DPS123|       1|    0|      0|    1|  0|
|JAS123|       1|    0|      0|    1|  1|
|ASP123|       0|    1|      1|    0|  0|
|POQ133|       0|    0|      1|    0|  0|
+------+--------+-----+-------+-----+---+

pivotDf.selectExpr("userid", "array(movie, games, clothing, medical,oth) as  TypExpList")
       .show
+------+---------------+
|userid|     TypExpList|
+------+---------------+
|DPS123|[1, 0, 1, 0, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|ASP123|[0, 1, 0, 1, 0]|
|POQ133|[0, 0, 0, 1, 0]|
+------+---------------+

---

这是您的输入数据集

$ cat input.csv
Sno|UserID|TypeExp
1|JAS123|MOVIE
2|ASP123|GAMES
3|JAS123|CLOTHING
4|DPS123|MOVIE
5|DPS123|CLOTHING
6|ASP123|MEDICAL
7|JAS123|OTH
8|POQ133|MEDICAL

这样，您就可以在

UserID

上的

groupBy

上进行

pivot

val bins = spark
  .read
  .option("sep", "|")
  .option("header", true)
  .csv("input.csv")
  .groupBy("UserID")
  .pivot("TypeExp")
  .count
  .na
  .fill(0)
scala> bins.show
+------+--------+-----+-------+-----+---+
|UserID|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+------+--------+-----+-------+-----+---+
|POQ133|       0|    0|      1|    0|  0|
|JAS123|       1|    0|      0|    1|  1|
|DPS123|       1|    0|      0|    1|  0|
|ASP123|       0|    1|      1|    0|  0|
+------+--------+-----+-------+-----+---+

你有你的

0

s和

1

s。最后一个技巧是在列上使用

数组

，以构建适当的输出，其中位置表示支出

val solution = bins.select(
  $"UserID" as "User",
  array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

---

假设一项支出可能发生零次、一次或多次，

count

超过支出可能会给出

0

、

1

或更高的数字

您可以使用UDF对值进行二值化，并确保只使用

0

s和

1

s

val binarizer = udf { count: Long => if (count > 0) 1 else 0 }
val binaryCols = bins
  .columns
  .filterNot(_ == "UserID")
  .map(col)
  .map(c => binarizer(c) as c.toString)
val selectCols = ($"UserID" as "User") +: binaryCols
val solution = bins
  .select(selectCols: _*)
  .select(
    $"User",
    array("MOVIE","GAMES","CLOTHING","MEDICAL","OTH") as "TypeExpList")
scala> solution.show
+------+---------------+
|  User|    TypeExpList|
+------+---------------+
|POQ133|[0, 0, 0, 1, 0]|
|JAS123|[1, 0, 1, 0, 1]|
|DPS123|[1, 0, 1, 0, 0]|
|ASP123|[0, 1, 0, 1, 0]|
+------+---------------+

---

交叉表

将完成大部分工作：

val table = df.stat.crosstab("UserID", "TypeExp")

+--------------+--------+-----+-------+-----+---+
|UserID_TypeExp|CLOTHING|GAMES|MEDICAL|MOVIE|OTH|
+--------------+--------+-----+-------+-----+---+
|        ASP123|       0|    1|      1|    0|  0|
|        DPS123|       1|    0|      0|    1|  0|
|        JAS123|       1|    0|      0|    1|  1|
|        POQ133|       0|    0|      1|    0|  0|
+--------------+--------+-----+-------+-----+---+

并且可以与强类型API很好地结合：

table.map(_.toSeq match {
  case Seq(id: String, cnts @ _*) => 
    (id, cnts.map(c => if(c != 0) 1 else 0))}).toDF("UserId", "TypeExp")

+------+---------------+
|UserId|        TypeExp|
+------+---------------+
|ASP123|[0, 1, 1, 0, 0]|
|DPS123|[1, 0, 0, 1, 0]|
|JAS123|[1, 0, 0, 1, 1]|
|POQ133|[0, 0, 1, 0, 0]|
+------+---------------+