Apache spark 使用PySpark将数组值分解为多列

我是pyspark的新手，我希望以这样一种方式分解数组值，即每个值都分配给一个新列。我尝试使用explode，但无法获得所需的输出。下面是我的输出

这是密码

from pyspark.sql import *
from pyspark.sql.functions import explode
if __name__ == "__main__":
spark = SparkSession.builder \
    .master("local[3]") \
    .appName("DataOps") \
    .getOrCreate()

dataFrameJSON = spark.read \
    .option("multiLine", True) \
    .option("mode", "PERMISSIVE") \
    .json("data.json")

dataFrameJSON.printSchema()
sub_DF = dataFrameJSON.select(explode("values.line").alias("new_values"))
sub_DF.printSchema()

sub_DF2 = sub_DF.select("new_values.*")
sub_DF2.printSchema()
sub_DF.show(truncate=False)

new_DF = sub_DF2.select("id", "period.*", "property")
new_DF.show(truncate=False)
new_DF.printSchema()

这是数据：

{
        "values" : {
            "line" : [
                {
                    "id" : 1,
                    "period" : {
                        "start_ts" : "2020-01-01T00:00:00",
                        "end_ts" : "2020-01-01T00:15:00"
                    },
                    "property" : [
                        {
                            "name" : "PID",
                            "val" : "P120E12345678"
                        },
                        {
                            "name" : "EngID",
                            "val" : "PANELID00000000"
                        },
                        {
                            "name" : "TownIstat",
                            "val" : "12058091"
                        },
                        {
                            "name" : "ActiveEng",
                            "val" : "5678.1"
                        }
                    ]
                }
}

---

你能用数据代替截图吗

同时，假设

df

是正在使用的数据帧，我们需要做的是创建一个新的数据帧，同时将

vals

从以前的

property

数组提取到新列，最后删除

property

列：

from pyspark.sql.functions import col
output_df = df.withColumn("PID", col("property")[0].val).withColumn("EngID", col("property")[1].val).withColumn("TownIstat", col("property")[2].val).withColumn("ActiveEng", col("property")[3].val).drop("property")

如果

元素

的类型为

阵列类型

，请使用以下命令：

from pyspark.sql.functions import col
output_df = df.withColumn("PID", col("property")[0][1]).withColumn("EngID", col("property")[1][1]).withColumn("TownIstat", col("property")[2][1]).withColumn("ActiveEng", col("property")[3][1]).drop("property")

---

Explode将数组分解为新行，而不是新列，请参见：

这是一种通用解决方案，即使JSON很凌乱，也能正常工作（元素顺序不同或缺少某些元素）

首先，您需要将“属性”列展平，

regexp\u替换为split，最后是pivot。这也避免了新列名的硬编码

构建数据帧：

from pyspark.sql.types import *
from pyspark.sql import functions as F
from pyspark.sql.functions import col
from pyspark.sql.functions import *

schema = StructType([StructField("id", IntegerType()), StructField("start_ts", StringType()), StructField("end_ts", StringType()), \
    StructField("property", ArrayType(StructType(  [StructField("name", StringType()),  StructField("val", StringType())]    )))])

data = [[1, "2010", "2020", [["PID", "P123"], ["Eng", "PA111"], ["Town", "999"], ["Act", "123.1"]]],\
         [2, "2011", "2012", [["PID", "P456"], ["Eng", "PA222"], ["Town", "777"], ["Act", "234.1"]]]]

df = spark.createDataFrame(data,schema=schema)

df.show(truncate=False)
+---+--------+------+------------------------------------------------------+    
|id |start_ts|end_ts|property                                              |
+---+--------+------+------------------------------------------------------+
|1  |2010    |2020  |[[PID, P123], [Eng, PA111], [Town, 999], [Act, 123.1]]|
|2  |2011    |2012  |[[PID, P456], [Eng, PA222], [Town, 777], [Act, 234.1]]|
+---+--------+------+------------------------------------------------------+

展开和旋转：

df_flatten = df.rdd.flatMap(lambda x: [(x[0],x[1], x[2], y) for y in x[3]]).toDF(['id', 'start_ts', 'end_ts', 'property'])\
            .select('id', 'start_ts', 'end_ts', col("property").cast("string"))

df_split = df_flatten.select('id', 'start_ts', 'end_ts', regexp_replace(df_flatten.property, "[\[\]]", "").alias("replacced_col"))\
                .withColumn("arr", split(col("replacced_col"), ", "))\
                .select(col("arr")[0].alias("col1"), col("arr")[1].alias("col2"), 'id', 'start_ts', 'end_ts')

final_df = df_split.groupby(df_split.id,)\
                        .pivot("col1")\
                        .agg(first("col2"))\
                        .join(df,'id').drop("property")

输出：

final_df.show()
+---+-----+-----+----+----+--------+------+
| id|  Act|  Eng| PID|Town|start_ts|end_ts|
+---+-----+-----+----+----+--------+------+
|  1|123.1|PA111|P123| 999|    2010|  2020|
|  2|234.1|PA222|P456| 777|    2011|  2012|
+---+-----+-----+----+----+--------+------+

请将代码示例、错误输出放在文本而不是图像中，以便社区更容易帮助您。@Mikayel Saghyan，我希望现在代码和示例数据对您可见？我正在尝试生成上面链接中给出的所需输出感谢您的回复，我尝试了您建议的代码，但我得到了以下错误：TypeError:col（）缺少1个必需的位置参数：“strg”您能在上面的问题中包含您的代码吗？有数据样本吗？编辑时，请尝试编辑您自己的问题，而不是我的答案，您的路径代码正确，示例数据现在可用，请帮助我生成我在屏幕截图中提供的所需输出，提前感谢您您可能忘记在col（）中插入“property”字符串，你能在使用我的答案后显示你所有的代码吗？我只是在DataRicks上使用了相同的代码，它工作得很好，没有错误sub_DF=dataFrameJSON.select（“UrbanDataset.values.line”）sub_DF2=dataFrameJSON.select（explode（“UrbanDataset.values.line”）.alias（“new_values”））sub_DF3=sub_DF2.select（“new_values.*）_DF=sub_DF3.select（“id”、“period.*”、“property”）new_DF.show（truncate=False）output\u df=new\u df.withColumn（“PID”，col（“property”）[0][1]）\。withColumn（“EngID”，col（“property”）[1][1]）\。withColumn（“TownIstat”，col（“property”）[2][1]）\。withColumn（“ActiveEng”，col property”）[3][1]）。drop（“property”）output\u df show（truncate=False）非常感谢您的回复，通过使用您的代码，我得到了以下错误：TypeError:col（）缺少1个必需的位置参数：“strg”，我想我对col软件包有问题？你能分享完整的代码，包括所有的导入吗？谢谢你，我已经添加了导入。你从哪里得到错误？非常感谢你的回复，它现在也对我起作用了。为什么不简单地提取rele，而需要这么多麻烦通过访问数据来获取数据，然后创建新列？我不明白，这会使事情变得复杂。因为这是一个通用的解决方案。我知道，在这个问题上只使用索引更简单。但是如果“属性”中元素的顺序发生了变化，或者其中一个元素丢失，索引方法将无法工作。我正在分解在这种情况下，我的解决方案中会出现混乱的JSON（并且没有列名的硬编码。适用于“n”个元素）