PySpark数据帧转换
我有以下数据帧:PySpark数据帧转换,pyspark,apache-spark-sql,pyspark-sql,Pyspark,Apache Spark Sql,Pyspark Sql,我有以下数据帧: import pandas as pd from pyspark import SparkContext from pyspark.sql import SQLContext sc = SparkContext('local') df_pd = pd.DataFrame([[11, 'abc', 1, 114], [11, 'abc', 2, 104], [11, 'def', 9, 1
import pandas as pd
from pyspark import SparkContext
from pyspark.sql import SQLContext
sc = SparkContext('local')
df_pd = pd.DataFrame([[11, 'abc', 1, 114],
[11, 'abc', 2, 104],
[11, 'def', 9, 113],
[12, 'abc', 1, 14],
[12, 'def', 3, 110],
[14, 'abc', 1, 194],
[14, 'abc', 2, 164],
[14, 'abc', 3, 104],],
columns=['id', 'str', 'num', 'val'])
sql_sc = SQLContext(sc)
df_spark = sql_sc.createDataFrame(df_pd)
df_spark.show()
其中打印:
+---+---+---+---+
| id|str|num|val|
+---+---+---+---+
| 11|abc| 1|114|
| 11|abc| 2|104|
| 11|def| 9|113|
| 12|abc| 1| 14|
| 12|def| 3|110|
| 14|abc| 1|194|
| 14|abc| 2|164|
| 14|abc| 3|104|
+---+---+---+---+
我的目标是将其转变为:
+---+-----+-----+-----+-----+-----+
| id|abc_1|abc_2|abc_3|def_3|def_9|
+---+-----+-----+-----+-----+-----+
| 11| 114| 104| NaN| NaN| 113|
| 12| 14| NaN| NaN| 110| NaN|
| 14| 194| 164| 104| NaN| NaN|
+---+-----+-----+-----+-----+-----+
(每个id
一行,列名称为str+''.+str(val)
,生成的表中填充了相应的val
s,所有其他条目为NaN
)
我将如何实现这一点?
我从
column = df_spark.select(concat(col("str"), lit("_"), col("num")))
通过它我可以得到列名
df_spark.select('id').distinct()
给出不同的id
s
但我无法构建或填充新的数据帧
编辑:与可能的重复不同的是,我不知道pivot功能,而另一个问题是在pyspark中哪里可以找到函数“pivot”。我不知道这是否是重复的,但我没有找到另一个问题,因为我不知道要查找什么。我不确定您希望对val字段使用哪种聚合。我使用sum,这是解决方案
import pyspark.sql.functions as F
df_spark = df_spark.withColumn('col', F.concat(F.col("str"), F.lit("_"), F.col("num")))
df_spark.groupBy('id').pivot('col').agg({'val':'sum'}).orderBy('id').show()
+---+-----+-----+-----+-----+-----+
| id|abc_1|abc_2|abc_3|def_3|def_9|
+---+-----+-----+-----+-----+-----+
| 11| 114| 104| null| null| 113|
| 12| 14| null| null| 110| null|
| 14| 194| 164| 104| null| null|
+---+-----+-----+-----+-----+-----+
非常感谢,我将尝试它(不应该有两个具有相同id的条目,str和num)。可能重复的