Python Pyspark：将多个数组列拆分为行

我有一个数据框，它有一行和几列。一些列是单个值，其他列是列表。所有列表列的长度都相同。我想将每个列表列拆分为一个单独的行，同时保留任何非列表列

样本DF：

from pyspark import Row
from pyspark.sql import SQLContext
from pyspark.sql.functions import explode

sqlc = SQLContext(sc)

df = sqlc.createDataFrame([Row(a=1, b=[1,2,3],c=[7,8,9], d='foo')])
# +---+---------+---------+---+
# |  a|        b|        c|  d|
# +---+---------+---------+---+
# |  1|[1, 2, 3]|[7, 8, 9]|foo|
# +---+---------+---------+---+

我想要的是：

+---+---+----+------+
|  a|  b|  c |    d |
+---+---+----+------+
|  1|  1|  7 |  foo |
|  1|  2|  8 |  foo |
|  1|  3|  9 |  foo |
+---+---+----+------+

df_exploded_again = df_exploded.withColumn('c', explode('c'))
# >>> df_exploded_again.show()
# +---+---+---+---+
# |  a|  b|  c|  d|
# +---+---+---+---+
# |  1|  1|  7|foo|
# |  1|  1|  8|foo|
# |  1|  1|  9|foo|
# |  1|  2|  7|foo|
# |  1|  2|  8|foo|
# |  1|  2|  9|foo|
# |  1|  3|  7|foo|
# |  1|  3|  8|foo|
# |  1|  3|  9|foo|
# +---+---+---+---+

如果我只有一个列表列，只需执行

分解

：

df_exploded = df.withColumn('b', explode('b'))
# >>> df_exploded.show()
# +---+---+---------+---+
# |  a|  b|        c|  d|
# +---+---+---------+---+
# |  1|  1|[7, 8, 9]|foo|
# |  1|  2|[7, 8, 9]|foo|
# |  1|  3|[7, 8, 9]|foo|
# +---+---+---------+---+

但是，如果我尝试同时分解

列
c
，我最终会得到一个长度为我想要的平方的数据帧：

+---+---+----+------+
|  a|  b|  c |    d |
+---+---+----+------+
|  1|  1|  7 |  foo |
|  1|  2|  8 |  foo |
|  1|  3|  9 |  foo |
+---+---+----+------+

df_exploded_again = df_exploded.withColumn('c', explode('c'))
# >>> df_exploded_again.show()
# +---+---+---+---+
# |  a|  b|  c|  d|
# +---+---+---+---+
# |  1|  1|  7|foo|
# |  1|  1|  8|foo|
# |  1|  1|  9|foo|
# |  1|  2|  7|foo|
# |  1|  2|  8|foo|
# |  1|  2|  9|foo|
# |  1|  3|  7|foo|
# |  1|  3|  8|foo|
# |  1|  3|  9|foo|
# +---+---+---+---+

我想要的是——对于每一列，获取该列中数组的第n个元素，并将其添加到新行。我已经尝试在数据框中的所有列之间映射一个explode accross，但这似乎也不起作用：

df_split = df.rdd.map(lambda col: df.withColumn(col, explode(col))).toDF()

火花>=2.4

您可以用
数组\u zip
函数替换
udf

from pyspark.sql.functions import arrays_zip, col, explode

(df
    .withColumn("tmp", arrays_zip("b", "c"))
    .withColumn("tmp", explode("tmp"))
    .select("a", col("tmp.b"), col("tmp.c"), "d"))

火花<2.4

使用数据帧

和自定义项：

from pyspark.sql.types import ArrayType, StructType, StructField, IntegerType
from pyspark.sql.functions import col, udf, explode

zip_ = udf(
  lambda x, y: list(zip(x, y)),
  ArrayType(StructType([
      # Adjust types to reflect data types
      StructField("first", IntegerType()),
      StructField("second", IntegerType())
  ]))
)

(df
    .withColumn("tmp", zip_("b", "c"))
    # UDF output cannot be directly passed to explode
    .withColumn("tmp", explode("tmp"))
    .select("a", col("tmp.first").alias("b"), col("tmp.second").alias("c"), "d"))

使用

RDD

：

(df
    .rdd
    .flatMap(lambda row: [(row.a, b, c, row.d) for b, c in zip(row.b, row.c)])
    .toDF(["a", "b", "c", "d"]))

由于Python通信开销，这两种解决方案都效率低下。如果数据大小是固定的，则可以执行以下操作：

from functools import reduce
from pyspark.sql import DataFrame

# Length of array
n = 3

# For legacy Python you'll need a separate function
# in place of method accessor 
reduce(
    DataFrame.unionAll, 
    (df.select("a", col("b").getItem(i), col("c").getItem(i), "d")
        for i in range(n))
).toDF("a", "b", "c", "d")

甚至：

from pyspark.sql.functions import array, struct

# SQL level zip of arrays of known size
# followed by explode
tmp = explode(array(*[
    struct(col("b").getItem(i).alias("b"), col("c").getItem(i).alias("c"))
    for i in range(n)
]))

(df
    .withColumn("tmp", tmp)
    .select("a", col("tmp").getItem("b"), col("tmp").getItem("c"), "d"))

这应该比UDF或RDD快得多。通用以支持任意数量的列：

# This uses keyword only arguments
# If you use legacy Python you'll have to change signature
# Body of the function can stay the same
def zip_and_explode(*colnames, n):
    return explode(array(*[
        struct(*[col(c).getItem(i).alias(c) for c in colnames])
        for i in range(n)
    ]))

df.withColumn("tmp", zip_and_explode("b", "c", n=3))

---

您需要使用

flatMap

，而不是

map

，因为您希望从每个输入行生成多个输出行

from pyspark.sql import Row
def dualExplode(r):
    rowDict = r.asDict()
    bList = rowDict.pop('b')
    cList = rowDict.pop('c')
    for b,c in zip(bList, cList):
        newDict = dict(rowDict)
        newDict['b'] = b
        newDict['c'] = c
        yield Row(**newDict)

df_split = sqlContext.createDataFrame(df.rdd.flatMap(dualExplode))

一个衬套（火花>=2.4.0时）： 所需进口：

从pyspark.sql.functions导入数组\u zip

---

台阶-

创建一个列bc，它是列

b

和

c

分解

bc

以获取结构

tbc

选择所需的列

a

、

b

和

c

（所有列都根据需要进行分解）

输出：

---

如果第一个df有3个值，第二个df有2个值，那么我们的zip恰好返回两对而不是3对。Zip将一个对象的第一个元素与另一个对象的第一个元素配对，第二个元素与第二个元素配对，以此类推，直到其中一个对象的元素用完为止。在您的情况下，在2个值之后。换句话说，它将对元素进行配对，直到没有更多的项可以配对为止。若要给出任何建议，我需要知道您希望您的程序如何处理未配对的元素（例如，您希望第二个集合中的空值吗？）。此外，本例中只有1个df。如果你的问题与此不同，最好再问一个问题谢谢@David的回答。我想出来了。使用Izip帮助解决了这个问题。不过我还是很感谢你的回答，伙计。Spark>=2.4的解决方案到底能起什么作用？文档中说，explode输入“应该是数组或映射类型，而不是字符串”，并以文字形式引用了它在其他情况下引发的异常。如何处理不同列中的不均匀大小列表。要求将较短大小列表的值替换为-1。现在它显示为null。