Scala 因式分解火花柱

可以对Spark数据帧列进行因式分解吗？对于分解，我的意思是创建列中每个唯一值到相同ID的映射

例如，原始数据帧：

+----------+----------------+--------------------+
|      col1|            col2|                col3|
+----------+----------------+--------------------+
|1473490929|4060600988513370|                   A|
|1473492972|4060600988513370|                   A|
|1473509764|4060600988513370|                   B|
|1473513432|4060600988513370|                   C|
|1473513432|4060600988513370|                   A|
+----------+----------------+--------------------+

到分解版本：

+----------+----------------+--------------------+
|      col1|            col2|                col3|
+----------+----------------+--------------------+
|1473490929|4060600988513370|                   0|
|1473492972|4060600988513370|                   0|
|1473509764|4060600988513370|                   1|
|1473513432|4060600988513370|                   2|
|1473513432|4060600988513370|                   0|
+----------+----------------+--------------------+

在scala中，这将是相当简单的，但由于Spark将其数据帧分布在节点上，我不知道如何保持

a->0，B->1，C->2

的映射

另外，假设数据帧相当大（GB），这意味着不可能将一整列加载到一台机器的内存中

---

可以这样做吗？

您可以使用

StringIndexer

将字母编码到索引中：

import org.apache.spark.ml.feature.StringIndexer

val indexer = new StringIndexer()
  .setInputCol("col3")
  .setOutputCol("col3Index")

val indexed = indexer.fit(df).transform(df)
indexed.show()

+----------+----------------+----+---------+
|      col1|            col2|col3|col3Index|
+----------+----------------+----+---------+
|1473490929|4060600988513370|   A|      0.0|
|1473492972|4060600988513370|   A|      0.0|
|1473509764|4060600988513370|   B|      1.0|
|1473513432|4060600988513370|   C|      2.0|
|1473513432|4060600988513370|   A|      0.0|
+----------+----------------+----+---------+

数据：

val df = spark.createDataFrame(Seq(
              (1473490929, "4060600988513370", "A"),
              (1473492972, "4060600988513370", "A"),  
              (1473509764, "4060600988513370", "B"),
              (1473513432, "4060600988513370", "C"),
              (1473513432, "4060600988513370", "A"))).toDF("col1", "col2", "col3")

---

您可以使用用户定义的函数

首先，创建所需的映射：

val updateFunction = udf {(x: String) =>
  x match {
    case "A" => 0
    case "B" => 1
    case "C" => 2
    case _ => 3
  }
}

现在，您只需将其应用于数据帧：

df.withColumn("col3", updateFunction(df.col("col3")))

---

假设有30多个值：）。维护这个会很痛苦。功能应该比这个好一点。这只是一个例子；）。我知道，但是如果所有的值都是手动指定的，那么维护起来还是很困难的。完美，就像一个符咒！完全忘记了spark mllib。