Об'єднайте стовпці в Apache Spark DataFrame

Як ми об'єднуємо два стовпці в DataFrame Apache Spark? Чи є якась функція в Spark SQL, яку ми можемо використовувати?

З необробленим SQL ви можете використовувати CONCAT:

• У Python

  df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
  df.registerTempTable("df")
  sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

• У Скалі

  import sqlContext.implicits._
  
  val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
  df.registerTempTable("df")
  sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

З Spark 1.5.0 ви можете використовувати concatфункцію з API DataFrame:

• На Python:

  from pyspark.sql.functions import concat, col, lit
  
  df.select(concat(col("k"), lit(" "), col("v")))

• У Scala:

  import org.apache.spark.sql.functions.{concat, lit}
  
  df.select(concat($"k", lit(" "), $"v"))

Існує також concat_wsфункція, яка приймає роздільник рядків як перший аргумент.

Ось як можна виконати власні імена

import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()

дає,

+--------+--------+
|colname1|colname2|
+--------+--------+
|   row11|   row12|
|   row21|   row22|
+--------+--------+

створити новий стовпець шляхом об'єднання:

df = df.withColumn('joined_column', 
                    sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()

+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
|   row11|   row12|  row11_row12|
|   row21|   row22|  row21_row22|
+--------+--------+-------------+

Використовується один варіант об'єднання стовпчастих рядків у Spark Scala concat.

Необхідно перевірити нульові значення . Тому що якщо один з стовпців є нульовим, результат буде нульовим, навіть якщо в одному з інших стовпців є інформація.

Використання concatта withColumn:

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

Використання concatта select:

val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")

З обома підходами ви матимете NEW_COLUMN, значення якого є конкатенацією стовпців: COL1 та COL2 з початкового df.

Якщо ви хочете зробити це за допомогою DF, ви можете використовувати udf, щоб додати новий стовпчик на основі наявних стовпців.

val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)

//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
    Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))

//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )

//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()

Від Spark 2.3 ( SPARK-22771 ) Spark SQL підтримує оператор конкатенації ||.

Наприклад;

val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")

Ось ще один спосіб зробити це для pyspark:

#import concat and lit functions from pyspark.sql.functions 
from pyspark.sql.functions import concat, lit

#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])

#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))

#Show the new data frame
personDF.show()

----------RESULT-------------------------

84
+------------+
|East African|
+------------+
|   Ethiopian|
|      Kenyan|
|     Ugandan|
|     Rwandan|
+------------+

Ось пропозиція, коли ви не знаєте номер або назву стовпців у Dataframe.

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

concat (* cols)

v1.5 і вище

Об’єднує кілька вхідних стовпців разом в одну колонку. Функція працює з рядками, бінарними та сумісними стовпцями масивів.

Наприклад: new_df = df.select(concat(df.a, df.b, df.c))

concat_ws (sep, * cols)

v1.5 і вище

Аналогічно, concatале використовує вказаний роздільник.

Наприклад: new_df = df.select(concat_ws('-', df.col1, df.col2))

map_concat (* cols)

v2.4 і вище

Використовується для стиснення карт, повертає об'єднання всіх поданих карт.

Наприклад: new_df = df.select(map_concat("map1", "map2"))

Використання оператора string concat ( ||):

v2.3 і вище

Наприклад: df = spark.sql("select col_a || col_b || col_c as abc from table_x")

Довідка: Spark sql doc

У Spark 2.3.0 ви можете:

spark.sql( """ select '1' || column_a from table_a """)

На Java ви можете зробити це для об'єднання декількох стовпців. Зразок коду полягає у наданні вам сценарію та способів його використання для кращого розуміння.

SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
                        .withColumn("concatenatedCol",
                                concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));


class JavaSparkSessionSingleton {
    private static transient SparkSession instance = null;

    public static SparkSession getInstance(SparkConf sparkConf) {
        if (instance == null) {
            instance = SparkSession.builder().config(sparkConf)
                    .getOrCreate();
        }
        return instance;
    }
}

Вищенаведений код об'єднав col1, col2, col3, відокремлений символом "_" для створення стовпця з назвою "concatenizedCol".

Чи є у нас синтаксис Java, відповідний наведеному нижче процесу

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

Ще один спосіб зробити це в pySpark за допомогою sqlContext ...

#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])

# Now we can concatenate columns and assign the new column a name 
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))

Дійсно, для вас є кілька прекрасних вбудованих абстракцій, щоб здійснити конкатенацію без необхідності впровадження спеціальної функції. Оскільки ви згадали Spark SQL, тож я здогадуюсь, що ви намагаєтесь передати його як декларативну команду через spark.sql (). Якщо так, ви можете виконати прямим способом, передаючи команду SQL на зразок: SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;

Також з Spark 2.3.0 ви можете використовувати команди в рядках з: SELECT col1 || col2 AS concat_column_name FROM <table_name>;

При цьому - ваш кращий роздільник (може бути і порожній простір) і є тимчасовою або постійною таблицею, з якої ви намагаєтесь прочитати.

Ми можемо просто використовувати SelectExpr. df1.selectExpr ("*", "верхній (_2 || _3) як новий")