Apache spark 如何使用pyspark从列表中获取最后一项?
为什么列Apache spark 如何使用pyspark从列表中获取最后一项?,apache-spark,pyspark,apache-spark-sql,Apache Spark,Pyspark,Apache Spark Sql,为什么列1st\u from\u end包含空值: from pyspark.sql.functions import split df = sqlContext.createDataFrame([('a b c d',)], ['s',]) df.select( split(df.s, ' ')[0].alias('0th'), split(df.s, ' ')[3].alias('3rd'), split(df.s, ' ')[-1].
1st\u from\u end
包含空值:
from pyspark.sql.functions import split
df = sqlContext.createDataFrame([('a b c d',)], ['s',])
df.select( split(df.s, ' ')[0].alias('0th'),
split(df.s, ' ')[3].alias('3rd'),
split(df.s, ' ')[-1].alias('1st_from_end')
).show()
我认为使用
[-1]
是一种获取列表中最后一项的好方法。为什么它在pyspark中不工作?如果您使用的是Spark>=2.4.0,请参阅jxc的答案
在Spark<2.4.0中,dataframes API不支持Spark<2.4.0中数组的-1
索引,但您可以编写自己的UDF或使用内置的size()
函数,例如:
>>> from pyspark.sql.functions import size
>>> splitted = df.select(split(df.s, ' ').alias('arr'))
>>> splitted.select(splitted.arr[size(splitted.arr)-1]).show()
+--------------------+
|arr[(size(arr) - 1)]|
+--------------------+
| d|
+--------------------+
创建您自己的udf如下所示
def get_last_element(l):
return l[-1]
get_last_element_udf = F.udf(get_last_element)
df.select(get_last_element(split(df.s, ' ')).alias('1st_from_end')
在jamiet的解决方案的基础上,我们可以通过删除
反向
from pyspark.sql.functions import split, reverse
df = sqlContext.createDataFrame([('a b c d',)], ['s',])
df.select( split(df.s, ' ')[0].alias('0th'),
split(df.s, ' ')[3].alias('3rd'),
reverse(split(df.s, ' '))[-1].alias('1st_from_end')
).show()
有关Spark 2.4+,请使用,请参阅以下文档: element_at(数组,索引)-返回给定(基于1的)索引处数组的元素。如果索引<0,则从最后一个到第一个访问元素。如果索引超过数组的长度,则返回NULL
谢谢你证实我的怀疑。我的解决方案比这要简单一些:
reverse(split(reverse(df.s),“”)[0])
from pyspark.sql.functions import element_at, split, col
df = spark.createDataFrame([('a b c d',)], ['s',])
df.withColumn('arr', split(df.s, ' ')) \
.select( col('arr')[0].alias('0th')
, col('arr')[3].alias('3rd')
, element_at(col('arr'), -1).alias('1st_from_end')
).show()
+---+---+------------+
|0th|3rd|1st_from_end|
+---+---+------------+
| a| d| d|
+---+---+------------+