在R中使用SparklyR更改嵌套列名
我已经参考了这里提到的所有链接: 1) 2)3)4) 下面的R代码是使用SparkyR包编写的。它读取巨大的JSON文件并创建数据库模式在R中使用SparklyR更改嵌套列名,r,apache-spark,sparklyr,R,Apache Spark,Sparklyr,我已经参考了这里提到的所有链接: 1) 2)3)4) 下面的R代码是使用SparkyR包编写的。它读取巨大的JSON文件并创建数据库模式 sc <- spark_connect(master = "local", config = conf, version = '2.2.0') # Connection sample_tbl <- spark_read_json(sc,name="example",path="example.json", header = TRUE,
sc <- spark_connect(master = "local", config = conf, version = '2.2.0') # Connection
sample_tbl <- spark_read_json(sc,name="example",path="example.json", header = TRUE,
memory = FALSE, overwrite = TRUE) # reads JSON file
sample_tbl <- sdf_schema_viewer(sample_tbl) # to create db schema
df <- tbl(sc,"example") # to create lookup table
但当我运行第二个深层嵌套列时,它不会重命名
df %>% rename(e_hashtags = entities.hashtags)
它显示错误:
在.f(.x[[i]],…)中出错:找不到对象“entities.hashtags”
问题
我的问题是,如何将第三到第四个深层嵌套列也重命名
请参考上述数据库架构。Spark不支持重命名单个嵌套字段。您必须铸造或重建整个结构。为简单起见,假设数据如下所示:
cat('{"contributors": "foo", "coordinates": "bar", "entities": {"hashtags": ["foo", "bar"], "media": "missing"}}', file = "/tmp/example.json")
df <- spark_read_json(sc, "df", "/tmp/example.json", overwrite=TRUE)
df %>% spark_dataframe() %>% invoke("schema") %>% invoke("treeString") %>% cat()
使用简单的字符串表示法:
df %>%
spark_dataframe() %>%
invoke("schema") %>%
invoke("simpleString") %>%
cat(sep = "\n")
struct
使用cast时,必须使用匹配的类型描述定义表达式:
expr_cast <- invoke_static(
sc, "org.apache.spark.sql.functions", "expr",
"CAST(entities AS struct<e_hashtags:array<string>,media:string>)"
)
df_cast <- df %>%
spark_dataframe() %>%
invoke("withColumn", "entities", expr_cast) %>%
sdf_register()
df_cast %>% spark_dataframe() %>% invoke("schema") %>% invoke("treeString") %>% cat()
要重建结构,必须匹配所有组件:
expr_struct <- invoke_static(
sc, "org.apache.spark.sql.functions", "expr",
"struct(entities.hashtags AS e_hashtags, entities.media)"
)
df_struct <- df %>%
spark_dataframe() %>%
invoke("withColumn", "entities", expr_struct) %>%
sdf_register()
df_struct %>% spark_dataframe() %>% invoke("schema") %>% invoke("treeString") %>% cat()
Spark本身不支持重命名单个嵌套字段。您必须铸造或重建整个结构。为简单起见,假设数据如下所示:
cat('{"contributors": "foo", "coordinates": "bar", "entities": {"hashtags": ["foo", "bar"], "media": "missing"}}', file = "/tmp/example.json")
df <- spark_read_json(sc, "df", "/tmp/example.json", overwrite=TRUE)
df %>% spark_dataframe() %>% invoke("schema") %>% invoke("treeString") %>% cat()
使用简单的字符串表示法:
df %>%
spark_dataframe() %>%
invoke("schema") %>%
invoke("simpleString") %>%
cat(sep = "\n")
struct
使用cast时,必须使用匹配的类型描述定义表达式:
expr_cast <- invoke_static(
sc, "org.apache.spark.sql.functions", "expr",
"CAST(entities AS struct<e_hashtags:array<string>,media:string>)"
)
df_cast <- df %>%
spark_dataframe() %>%
invoke("withColumn", "entities", expr_cast) %>%
sdf_register()
df_cast %>% spark_dataframe() %>% invoke("schema") %>% invoke("treeString") %>% cat()
要重建结构,必须匹配所有组件:
expr_struct <- invoke_static(
sc, "org.apache.spark.sql.functions", "expr",
"struct(entities.hashtags AS e_hashtags, entities.media)"
)
df_struct <- df %>%
spark_dataframe() %>%
invoke("withColumn", "entities", expr_struct) %>%
sdf_register()
df_struct %>% spark_dataframe() %>% invoke("schema") %>% invoke("treeString") %>% cat()
这对这个答案没有任何实际影响。列始终是标识的,但其完全限定名是。只有在极少数情况下,在相同的路径上有相同名称的列(比如说有
实体.url
和实体.url
——这是边界情况,通常表示管道中的错误或严重的数据问题)。您必须重新创建整个结构。如果有多个嵌套级别,则需要多个嵌套结构来反映struct(…、struct(…)
等等。然而,并不是所有的结构都能像这样建造。这并不影响这个答案在任何实际的方面。列始终是标识的,但其完全限定名是。只有在极少数情况下,在相同的路径上有相同名称的列(比如说有实体.url
和实体.url
——这是边界情况,通常表示管道中的错误或严重的数据问题)。您必须重新创建整个结构。如果有多个嵌套级别,则需要多个嵌套结构来反映struct(…、struct(…)
等等。然而,并非所有结构都可以这样建造。