使用pyspark，如何将一列添加到数据帧中，作为同一数据帧中多个已知列（不包括null）的键值映射？

给出以下示例：

d = [{'asset': '2', 'ts': 6,  'B':'123','C':'234'}, 
     {'asset': '1', 'ts': 5, 'C.1':'999', 'B':'888','F':'999'}]
df = spark.createDataFrame(d)
df.show(truncate=False)

+---+----+-----+---+----+----+
|B  |C   |asset|ts |C.1 |F   |
+---+----+-----+---+----+----+
|123|234 |2    |6  |null|null|
|888|null|1    |5  |999 |999 |
+---+----+-----+---+----+----+

我要创建以下输出：

+-----+---+--------------------------------+
|asset|ts |signals                         |
+-----+---+--------------------------------+
|2    |6  |[B -> 123, C -> 234]            |
|1    |5  |[B -> 888, C.1 -> 999, F -> 999]|
+-----+---+--------------------------------+

我尝试了以下方法：

from itertools import chain
from pyspark.sql.functions import *
all_signals=['B','C','C.1','F']
key_values = create_map(*(chain(*[(lit(name), col("`"+name+"`"))
                                  for name in all_signals])))

new_df = df.withColumn('signals',key_values).drop(*all_signals).show(truncate=False)

+-----+---+--------------------------------------+
|asset|ts |signals                               |
+-----+---+--------------------------------------+
|2    |6  |[B -> 123, C -> 234, C.1 ->, F ->]    |
|1    |5  |[B -> 888, C ->, C.1 -> 999, F -> 999]|
+-----+---+--------------------------------------+

但是我不想要带有空值的键。所以我尝试了很多方法来排除null或None。 我试过如果条件，当/否则，但似乎都不起作用。这里有一个尝试：

key_values = create_map(*(chain(*[(lit(name), col("`"+name+"`")) 
                                  for name in all_signals 
                                  if col("`"+name+"`").isNotNull()])))
new_df = df.withColumn('signals',key_values).drop(*all_signals).show(truncate=False)


ValueError: Cannot convert column into bool: please use '&' for 'and', '|' for 'or', '~' for 'not' when building DataFrame boolean expressions.

我用一种我不满意的循环方式让它工作：

new_df= df.withColumn("signals", from_json(
                       to_json(struct(["`"+x+"`" for x in all_signals])),"MAP<STRING,STRING>"))
                      
new_df = new_df.drop(*all_signals)
new_df.show(truncate=False)

+-----+---+--------------------------------+
|asset|ts |signals                         |
+-----+---+--------------------------------+
|2    |6  |[B -> 123, C -> 234]            |
|1    |5  |[B -> 888, C.1 -> 999, F -> 999]|
+-----+---+--------------------------------+

---

但是必须有一种排除null的方法，而不必来回访问json

我有另一个解决方案。首先使用空值构建映射，然后删除空值

从pyspark.sql.types导入映射类型，StringType 从pyspark.sql导入函数为F 原始数据帧 数据=[{'asset'：'2'，'ts'：6'，B'：'123'，C'：'234'}， {'asset'：'1'，'ts'：5，'C.1'：'999'，'B'：'888'，'F'：'999'}] df=spark.createDataFramedata df.showtruncate=False 创建包含空值的映射 因为spark很奇怪，所以需要背景标记 https://stackoverflow.com/questions/44367019/column-name-with-dot-spark 名称=['B'，'C'，'C.1'，'F'] 键值列表=[] 对于名称中的名称： 键值列表+=[F.litname] 键值列表+=[df[`{}`.formatname]] 映射列=F.创建映射*键值列表 删除空值的UDF 删除\u null\u值\u udf=F.udf lambda d:{k:v代表k，d项中的v如果v不是None}， MapTypeStringType，StringType 应用以上两种方法 df=df.withColumn'map'，删除\u null\u值\u udfmap\u column.drop*名称 df.show +---+--+----------+ |资产| ts |地图| +---+--+----------+ |2 | 6 |[B->123，C->234]| |1 | 5 |[B->888，F->9| +---+--+----------+

---

我有另一个解决方案。首先用空值构建映射，然后删除空值

从pyspark.sql.types导入映射类型，StringType 从pyspark.sql导入函数为F 原始数据帧 数据=[{'asset'：'2'，'ts'：6'，B'：'123'，C'：'234'}， {'asset'：'1'，'ts'：5，'C.1'：'999'，'B'：'888'，'F'：'999'}] df=spark.createDataFramedata df.showtruncate=False 创建包含空值的映射 因为spark很奇怪，所以需要背景标记 https://stackoverflow.com/questions/44367019/column-name-with-dot-spark 名称=['B'，'C'，'C.1'，'F'] 键值列表=[] 对于名称中的名称： 键值列表+=[F.litname] 键值列表+=[df[`{}`.formatname]] 映射列=F.创建映射*键值列表 删除空值的UDF 删除\u null\u值\u udf=F.udf lambda d:{k:v代表k，d项中的v如果v不是None}， MapTypeStringType，StringType 应用以上两种方法 df=df.withColumn'map'，删除\u null\u值\u udfmap\u column.drop*名称 df.show +---+--+----------+ |资产| ts |地图| +---+--+----------+ |2 | 6 |[B->123，C->234]| |1 | 5 |[B->888，F->9| +---+--+----------+ 不需要UDF，使用高阶函数过滤器，使用数组\u zip和映射\u from\u条目来获得所需的输出。spark2.4+

不需要UDF，使用高阶函数过滤器，使用数组\u zip和映射\u from\u条目来获得所需的输出。spark2.4+

---

这看起来棒极了。我会测试它的性能并让你知道。你太棒了。谢谢！这看起来棒极了。我会测试它的性能并让你知道。你太棒了。谢谢！我忍不住对你的解决方案微笑。这让我觉得很傻。令人印象深刻！出于某种原因，从_json到_json提供了更好的性能，但这确实回答了我的问题n、 我忍不住对你的解决方案笑了笑。这让我觉得很傻。令人印象深刻！出于某种原因，从_json和to_json提供了更好的性能，但这确实回答了我的问题。

from pyspark.sql import functions as F

all_singals=['B','C','C.1','F']

df.withColumn("all_one", F.array(*[F.lit(x) for x in all_signals]))\
  .withColumn("all_two", F.array(*["`"+x+"`" for x in all_signals]))\
  .withColumn("signals", F.expr("""map_from_entries(filter(arrays_zip(all_one,all_two),x-> x.all_two is not null))"""))\
  .drop("all_one","all_two").show(truncate=False)

#+---+----+-----+---+----+----+--------------------------------+
#|B  |C   |asset|ts |C.1 |F   |signals                         |
#+---+----+-----+---+----+----+--------------------------------+
#|123|234 |2    |6  |null|null|[B -> 123, C -> 234]            |
#|888|null|1    |5  |999 |999 |[B -> 888, C.1 -> 999, F -> 999]|
#+---+----+-----+---+----+----+--------------------------------+