Scala 如何将数据框中的列放入spark中的列表中
我有一个Scala 如何将数据框中的列放入spark中的列表中,scala,apache-spark,Scala,Apache Spark,我有一个DataFrame,它有大约80列,我需要将其中的12列放入一个集合中,Array或List都可以。我在谷歌上搜索了一下,发现: dataFrame.select("YOUR_COLUMN_NAME").rdd.map(r => r(0)).collect() 问题是,这只适用于一列。如果我做了df.select(col1,col2,col3…).rdd.map.collect(),那么它会给我这样的信息:Array[[col1,col2,col3]] 我想要的是数组[[col1
DataFrame
,它有大约80列,我需要将其中的12列放入一个集合中,Array
或List
都可以。我在谷歌上搜索了一下,发现:
dataFrame.select("YOUR_COLUMN_NAME").rdd.map(r => r(0)).collect()
问题是,这只适用于一列。如果我做了df.select(col1,col2,col3…).rdd.map.collect()
,那么它会给我这样的信息:Array[[col1,col2,col3]]
我想要的是数组[[col1]、[col2]、[col3]]
。在Spark中有什么方法可以做到这一点吗
提前谢谢
更新
例如,我有一个数据帧:
----------
A B C
----------
1 2 3
4 5 6
我需要将列转换为以下格式:
Array[[1,4],[2,5],[3,6]]
希望这一点更清楚…很抱歉造成混淆您可以通过执行以下操作获得
Array[Array[Any]]
scala> df.select("col1", "col2", "col3", "col4").rdd.map(row => (Array(row(0)), Array(row(1)), Array(row(2)), Array(row(3))))
res6: org.apache.spark.rdd.RDD[(Array[Any], Array[Any], Array[Any], Array[Any])] = MapPartitionsRDD[34] at map at <console>:32
scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._
scala> df.select(array(collect_list("col1"), collect_list("col2"), collect_list("col3"), collect_list("col4")).as("collectedArray")).show(false)
+--------------------------------------------------------------------------------+
|collectedArray |
+--------------------------------------------------------------------------------+
|[WrappedArray(1, 1), WrappedArray(2, 2), WrappedArray(3, 3), WrappedArray(4, 4)]|
+--------------------------------------------------------------------------------+
你可以用同样的方法处理你的12列
已更新
你最新的问题更清楚了。因此,在转换为rdd
之前,您可以使用collect\u list
功能,并像以前一样进行操作
scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._
scala> val rdd = df.select(collect_list("col1"), collect_list("col2"), collect_list("col3"), collect_list("col4")).rdd.map(row => Array(row(0), row(1), row(2), row(3)))
rdd: org.apache.spark.rdd.RDD[Array[Any]] = MapPartitionsRDD[41] at map at <console>:36
scala> rdd.map(array => array.map(element => println(element))).collect
[Stage 11:> (0 + 0) / 2]WrappedArray(1, 1)
WrappedArray(2, 2)
WrappedArray(3, 3)
WrappedArray(4, 4)
res8: Array[Array[Unit]] = Array(Array((), (), (), ()))
您可以简单地执行以下操作
scala> df.select("col1", "col2", "col3", "col4").rdd.map(row => (Array(row(0)), Array(row(1)), Array(row(2)), Array(row(3))))
res6: org.apache.spark.rdd.RDD[(Array[Any], Array[Any], Array[Any], Array[Any])] = MapPartitionsRDD[34] at map at <console>:32
scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._
scala> df.select(array(collect_list("col1"), collect_list("col2"), collect_list("col3"), collect_list("col4")).as("collectedArray")).show(false)
+--------------------------------------------------------------------------------+
|collectedArray |
+--------------------------------------------------------------------------------+
|[WrappedArray(1, 1), WrappedArray(2, 2), WrappedArray(3, 3), WrappedArray(4, 4)]|
+--------------------------------------------------------------------------------+
您可以通过执行以下操作获得
Array[Array[Any]]
scala> df.select("col1", "col2", "col3", "col4").rdd.map(row => (Array(row(0)), Array(row(1)), Array(row(2)), Array(row(3))))
res6: org.apache.spark.rdd.RDD[(Array[Any], Array[Any], Array[Any], Array[Any])] = MapPartitionsRDD[34] at map at <console>:32
scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._
scala> df.select(array(collect_list("col1"), collect_list("col2"), collect_list("col3"), collect_list("col4")).as("collectedArray")).show(false)
+--------------------------------------------------------------------------------+
|collectedArray |
+--------------------------------------------------------------------------------+
|[WrappedArray(1, 1), WrappedArray(2, 2), WrappedArray(3, 3), WrappedArray(4, 4)]|
+--------------------------------------------------------------------------------+
你可以用同样的方法处理你的12列
已更新
你最新的问题更清楚了。因此,在转换为rdd
之前,您可以使用collect\u list
功能,并像以前一样进行操作
scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._
scala> val rdd = df.select(collect_list("col1"), collect_list("col2"), collect_list("col3"), collect_list("col4")).rdd.map(row => Array(row(0), row(1), row(2), row(3)))
rdd: org.apache.spark.rdd.RDD[Array[Any]] = MapPartitionsRDD[41] at map at <console>:36
scala> rdd.map(array => array.map(element => println(element))).collect
[Stage 11:> (0 + 0) / 2]WrappedArray(1, 1)
WrappedArray(2, 2)
WrappedArray(3, 3)
WrappedArray(4, 4)
res8: Array[Array[Unit]] = Array(Array((), (), (), ()))
您可以简单地执行以下操作
scala> df.select("col1", "col2", "col3", "col4").rdd.map(row => (Array(row(0)), Array(row(1)), Array(row(2)), Array(row(3))))
res6: org.apache.spark.rdd.RDD[(Array[Any], Array[Any], Array[Any], Array[Any])] = MapPartitionsRDD[34] at map at <console>:32
scala> import org.apache.spark.sql.functions._
import org.apache.spark.sql.functions._
scala> df.select(array(collect_list("col1"), collect_list("col2"), collect_list("col3"), collect_list("col4")).as("collectedArray")).show(false)
+--------------------------------------------------------------------------------+
|collectedArray |
+--------------------------------------------------------------------------------+
|[WrappedArray(1, 1), WrappedArray(2, 2), WrappedArray(3, 3), WrappedArray(4, 4)]|
+--------------------------------------------------------------------------------+
嗯,这两行之间有什么区别吗。。。?他们都给我RDD数组,我如何得到数组[array]?我的坏:)我粘贴了上一步。我已经更新了请检查我没有找到更新:(?它们在meorg.apache.spark.rdd.rdd[(Array[Any],Array[Any],Array[Any],Array[Any])]中仍然看起来都像rdd数组这是数组类型吗?还有没有任何方法将其放入这样的东西中:[Array[Any],Array[Any],Array[Any],Array[Any]],而不是在()?RDD本身就像我在回答中提到的数组一样。[]是数组的表示形式。顺便说一句,我通过打印元素更新了我的答案。更明显的是,我在解释这两行之间有什么区别吗…?他们都给了我RDD数组,我如何得到数组[array]?我的错:)我粘贴了上一步。我已经更新了请检查我没有找到更新:(?它们在meorg.apache.spark.rdd.rdd[(Array[Any],Array[Any],Array[Any],Array[Any])]中仍然看起来都像rdd数组这是数组类型吗?还有没有任何方法将其放入这样的东西中:[Array[Any],Array[Any],Array[Any],Array[Any]],而不是在()?RDD本身就像我在回答中提到的数组一样。[]是数组的表示形式。顺便说一句,我通过打印元素更新了我的答案。这更清楚地说明了我要解释的内容