Python 从两列中创建一个元组-PySpark
我的问题是基于这里类似的问题,不同的是我有一个值列表,而不是每列一个值。例如:Python 从两列中创建一个元组-PySpark,python,apache-spark,zip,pyspark,Python,Apache Spark,Zip,Pyspark,我的问题是基于这里类似的问题,不同的是我有一个值列表,而不是每列一个值。例如: from pyspark.sql import Row df = sqlContext.createDataFrame([Row(v1=[u'2.0', u'1.0', u'9.0'], v2=[u'9.0', u'7.0', u'2.0']),Row(v1=[u'4.0', u'8.0', u'9.0'], v2=[u'1.0', u'1.0', u'2.0'])]) +---------------+-
from pyspark.sql import Row
df = sqlContext.createDataFrame([Row(v1=[u'2.0', u'1.0', u'9.0'], v2=[u'9.0', u'7.0', u'2.0']),Row(v1=[u'4.0', u'8.0', u'9.0'], v2=[u'1.0', u'1.0', u'2.0'])])
+---------------+---------------+
| v1| v2|
+---------------+---------------+
|[2.0, 1.0, 9.0]|[9.0, 7.0, 2.0]|
|[2.0, 1.0, 9.0]|[9.0, 7.0, 2.0]|
+---------------+---------------+
我想得到的是类似于每行列表的zip元素,但在pyspark 1.6中我无法理解:
+---------------+---------------+--------------------+
| v1| v2| v_tuple|
+---------------+---------------+--------------------+
|[2.0, 1.0, 9.0]|[9.0, 7.0, 2.0]|[(2.0,9.0), (1.0,...|
|[4.0, 8.0, 9.0]|[1.0, 1.0, 2.0]|[(4.0,1.0), (8.0,...|
+---------------+---------------+--------------------+
注意:数组的大小可能因行而异,但同一行的列大小始终相同。如果数组的大小因行而异,则需要使用UDF:
from pyspark.sql.functions import udf
@udf("array<struct<_1:double,_2:double>>")
def zip_(xs, ys):
return list(zip(xs, ys))
df.withColumn("v_tuple", zip_("v1", "v2"))
from pyspark.sql.types import *
zip_ = udf(
lambda xs, ys: list(zip(xs, ys)),
ArrayType(StructType([StructField("_1", DoubleType()), StructField("_2", DoubleType())])))