获取pyspark数组类型列的最后n个元素
我试图获取每个数组列中名为Foo的最后n个元素,并从中生成一个单独的列,称为last_n_items_of_Foo。Foo列数组具有可变长度 我看过这篇文章 但是它有一个方法不能用来访问最后的元素获取pyspark数组类型列的最后n个元素,pyspark,pyspark-sql,Pyspark,Pyspark Sql,我试图获取每个数组列中名为Foo的最后n个元素,并从中生成一个单独的列,称为last_n_items_of_Foo。Foo列数组具有可变长度 我看过这篇文章 但是它有一个方法不能用来访问最后的元素 import pandas as pd from pyspark.sql.functions import udf, size from pyspark.sql.types import StringType from pyspark.sql.functions import col df = pd
import pandas as pd
from pyspark.sql.functions import udf, size
from pyspark.sql.types import StringType
from pyspark.sql.functions import col
df = pd.DataFrame([[[1,1,2,3],1,0],[[1,1,2,7,8,9],0,0],[[1,1,2,3,4,5,8],1,1]],columns = ['Foo','Bar','Baz'])
spark_df = spark.createDataFrame(df)
下面是输出的外观
如果n=2
Foo Bar Baz last_2_items_of_Foo
0 [1, 1, 2, 3] 1 0 [2, 3]
1 [1, 1, 2, 7, 8, 9] 0 0 [8, 9]
2 [1, 1, 2, 3, 4, 5, 8] 1 1 [5, 8]
您可以编写自己的UDF以从数组中获取最后n个元素:
import pyspark.sql.functions as f
import pyspark.sql.types as t
def get_last_n_elements_(arr, n):
return arr[-n:]
get_last_n_elements = f.udf(get_last_n_elements_, t.ArrayType(t.IntegerType()))
UDF将列数据类型作为参数,因此使用f.lit(n)
显然,在spark 2.4中,有一个内置函数可以对数组进行切片
目前,我的系统中没有2.4+版本,但如下所示:
spark_df.withColumn('last_2_items_of_Foo', f.slice('Foo', -2)).show()
您可以编写自己的UDF以从数组中获取最后n个元素:
import pyspark.sql.functions as f
import pyspark.sql.types as t
def get_last_n_elements_(arr, n):
return arr[-n:]
get_last_n_elements = f.udf(get_last_n_elements_, t.ArrayType(t.IntegerType()))
UDF将列数据类型作为参数,因此使用f.lit(n)
显然,在spark 2.4中,有一个内置函数可以对数组进行切片
目前,我的系统中没有2.4+版本,但如下所示:
spark_df.withColumn('last_2_items_of_Foo', f.slice('Foo', -2)).show()