Python 3.x 拆分特定PySpark df列并创建另一个df
我有一个数据帧(比如,ac_df),它有32个不同的列。我想得到一个特定的列,并将值拆分为一个3的块,作为一个新值,然后从中创建另一个dfPython 3.x 拆分特定PySpark df列并创建另一个df,python-3.x,pyspark,apache-spark-2.0,Python 3.x,Pyspark,Apache Spark 2.0,我有一个数据帧(比如,ac_df),它有32个不同的列。我想得到一个特定的列,并将值拆分为一个3的块,作为一个新值,然后从中创建另一个df ac_df['payment_history_1']给出以下结果 我想要一个结构如下的新df 例如:如果我取第一行“000000000000”,它被分组为 “000”、“000”、“000”、“000” 这将创建新df的第一行 执行此任务的Python等效代码如下所示: temp1 = ac_df['payment_history_1'].str.spl
ac_df['payment_history_1']
给出以下结果
我想要一个结构如下的新df
例如:如果我取第一行“000000000000”,它被分组为
“000”、“000”、“000”、“000”
这将创建新df的第一行
执行此任务的Python等效代码如下所示:
temp1 = ac_df['payment_history_1'].str.split(r'(...)', expand=True)
在spark中,我尝试了以下内容:
temp1 = ac_df.select(ac_df['payment_history_1']).rdd.map(lambda each_row: str(each_row[0])).map(lambda y: y.split(r'(...)')).collect()
输出:
[['000000000000'], ['000000000003000000000'], ['000000000003000000000000000']]
然而,我无法前进并获得预期的结果。有人能提出建议吗?试试这个,你将能够在此基础上构建:
df = spark.createDataFrame(
[
[1, '000000000000'],
[2, '000000000003000000000'],
[3, '000000000003000000000000000']
]
, ["id", "numbers"]
)
df.show()
应产生类似于您开始使用的数据帧的内容:
+---+--------------------+
| id| numbers|
+---+--------------------+
| 1| 000000000000|
| 2|00000000000300000...|
| 3|00000000000300000...|
+---+--------------------+
使用数字列,您将能够将其解析为“,”分隔字符串,从中我们可以应用:posexplode(expr)-将数组expr的元素分隔为具有位置的多行,或将map expr的元素分隔为具有位置的多行和多列
df.select(
"id",
f.split("numbers", ",").alias("numbers"),
f.posexplode(f.split("numbers", ",")).alias("pos", "val")
).show()
这将导致:
+---+--------------------+---+---+
| id| numbers|pos|val|
+---+--------------------+---+---+
| 1|[000, 000, 000, 000]| 0|000|
| 1|[000, 000, 000, 000]| 1|000|
| 1|[000, 000, 000, 000]| 2|000|
| 1|[000, 000, 000, 000]| 3|000|
| 2|[000, 000, 000, 0...| 0|000|
| 2|[000, 000, 000, 0...| 1|000|
| 2|[000, 000, 000, 0...| 2|000|
| 2|[000, 000, 000, 0...| 3|003|
| 2|[000, 000, 000, 0...| 4|000|
| 2|[000, 000, 000, 0...| 5|000|
| 2|[000, 000, 000, 0...| 6|000|
| 3|[000, 000, 000, 0...| 0|000|
| 3|[000, 000, 000, 0...| 1|000|
| 3|[000, 000, 000, 0...| 2|000|
| 3|[000, 000, 000, 0...| 3|003|
| 3|[000, 000, 000, 0...| 4|000|
| 3|[000, 000, 000, 0...| 5|000|
| 3|[000, 000, 000, 0...| 6|000|
| 3|[000, 000, 000, 0...| 7|000|
| 3|[000, 000, 000, 0...| 8|000|
+---+--------------------+---+---+
接下来,我们使用:pyspark.sql.functions.expr获取该数组中索引位置处的元素
第一个是新列的名称,它是数组中数字和索引的串联。第二列是数组中相应索引处的值。我们通过利用pyspark.sql.functions.expr的功能获得后者,该功能允许我们使用列值作为参数
df.select(
"id",
f.split("numbers", ",").alias("numbers"),
f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
"id",
f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
f.expr("numbers[pos]").alias("val")
)\
.show()
其结果是:
+---+--------+---+
| id| number|val|
+---+--------+---+
| 1|numbers0|000|
| 1|numbers1|000|
| 1|numbers2|000|
| 1|numbers3|000|
| 2|numbers0|000|
| 2|numbers1|000|
| 2|numbers2|000|
| 2|numbers3|003|
| 2|numbers4|000|
| 2|numbers5|000|
| 2|numbers6|000|
| 3|numbers0|000|
| 3|numbers1|000|
| 3|numbers2|000|
| 3|numbers3|003|
| 3|numbers4|000|
| 3|numbers5|000|
| 3|numbers6|000|
| 3|numbers7|000|
| 3|numbers8|000|
+---+--------+---+
最后,我们可以根据id进行分组并透视数据帧
df.select(
"id",
f.split("numbers", ",").alias("numbers"),
f.posexplode(f.split("numbers", ",")).alias("pos", "val")
)\
.drop("val")\
.select(
"id",
f.concat(f.lit("numbers"),f.col("pos").cast("string")).alias("number"),
f.expr("numbers[pos]").alias("val")
)\
.groupBy("id").pivot("number").agg(f.first("val"))\
.show()
给出最终数据帧:
从以下方面获取详细信息:
您可以在dataframe列上使用类似于python中使用str.split
的方法。