Як додати новий стовпець до Spark DataFrame (за допомогою PySpark)?

У мене є Spark DataFrame (використовуючи PySpark 1.5.1) і я хочу додати новий стовпець.

Я пробував наступне без успіху:

type(randomed_hours) # => list

# Create in Python and transform to RDD

new_col = pd.DataFrame(randomed_hours, columns=['new_col'])

spark_new_col = sqlContext.createDataFrame(new_col)

my_df_spark.withColumn("hours", spark_new_col["new_col"])

Також отримано помилку, використовуючи це:

my_df_spark.withColumn("hours",  sc.parallelize(randomed_hours))

Тож як я можу додати новий стовпець (на основі вектора Python) до існуючої DataFrame з PySpark?

Ви не можете додати довільну колонку до DataFrameатрибутована. Нові стовпці можна створити лише за допомогою літералів (інші типи літералів описані в розділі Як додати постійний стовпець у Spark DataFrame? )

from pyspark.sql.functions import lit

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

df_with_x4 = df.withColumn("x4", lit(0))
df_with_x4.show()

## +---+---+-----+---+
## | x1| x2|   x3| x4|
## +---+---+-----+---+
## |  1|  a| 23.0|  0|
## |  3|  B|-23.0|  0|
## +---+---+-----+---+

перетворення наявного стовпця:

from pyspark.sql.functions import exp

df_with_x5 = df_with_x4.withColumn("x5", exp("x3"))
df_with_x5.show()

## +---+---+-----+---+--------------------+
## | x1| x2|   x3| x4|                  x5|
## +---+---+-----+---+--------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9|
## |  3|  B|-23.0|  0|1.026187963170189...|
## +---+---+-----+---+--------------------+

включено з використанням join:

from pyspark.sql.functions import exp

lookup = sqlContext.createDataFrame([(1, "foo"), (2, "bar")], ("k", "v"))
df_with_x6 = (df_with_x5
    .join(lookup, col("x1") == col("k"), "leftouter")
    .drop("k")
    .withColumnRenamed("v", "x6"))

## +---+---+-----+---+--------------------+----+
## | x1| x2|   x3| x4|                  x5|  x6|
## +---+---+-----+---+--------------------+----+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|
## |  3|  B|-23.0|  0|1.026187963170189...|null|
## +---+---+-----+---+--------------------+----+

або згенеровано за допомогою функції / udf:

from pyspark.sql.functions import rand

df_with_x7 = df_with_x6.withColumn("x7", rand())
df_with_x7.show()

## +---+---+-----+---+--------------------+----+-------------------+
## | x1| x2|   x3| x4|                  x5|  x6|                 x7|
## +---+---+-----+---+--------------------+----+-------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|0.41930610446846617|
## |  3|  B|-23.0|  0|1.026187963170189...|null|0.37801881545497873|
## +---+---+-----+---+--------------------+----+-------------------+

Вбудовані функції ( pyspark.sql.functions), що залежать від продуктивності ( ), які позначають вираз Catalyst, зазвичай віддають перевагу над визначеними користувачем функціями Python.

Якщо ви хочете додати вміст довільної RDD як стовпець, ви можете

• додати номери рядків до існуючого кадру даних
• викликати zipWithIndexRDD і перетворити його в кадр даних
• приєднайте обидва, використовуючи індекс як ключ з'єднання

Щоб додати стовпець за допомогою UDF:

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

from pyspark.sql.functions import udf
from pyspark.sql.types import *

def valueToCategory(value):
   if   value == 1: return 'cat1'
   elif value == 2: return 'cat2'
   ...
   else: return 'n/a'

# NOTE: it seems that calls to udf() must be after SparkContext() is called
udfValueToCategory = udf(valueToCategory, StringType())
df_with_cat = df.withColumn("category", udfValueToCategory("x1"))
df_with_cat.show()

## +---+---+-----+---------+
## | x1| x2|   x3| category|
## +---+---+-----+---------+
## |  1|  a| 23.0|     cat1|
## |  3|  B|-23.0|      n/a|
## +---+---+-----+---------+

Для Spark 2.0

# assumes schema has 'age' column 
df.select('*', (df.age + 10).alias('agePlusTen'))

Існує кілька способів додавання нового стовпця в pySpark.

Спочатку створимо просту DataFrame.

date = [27, 28, 29, None, 30, 31]
df = spark.createDataFrame(date, IntegerType())

Тепер спробуємо подвоїти значення стовпця і зберегти його в новому стовпчику. У ПФБ кілька різних підходів для досягнення того ж.

# Approach - 1 : using withColumn function
df.withColumn("double", df.value * 2).show()

# Approach - 2 : using select with alias function.
df.select("*", (df.value * 2).alias("double")).show()

# Approach - 3 : using selectExpr function with as clause.
df.selectExpr("*", "value * 2 as double").show()

# Approach - 4 : Using as clause in SQL statement.
df.createTempView("temp")
spark.sql("select *, value * 2 as double from temp").show()

Щоб отримати додаткові приклади та пояснення щодо іскрових функцій DataFrame, ви можете відвідати мій блог .

Я сподіваюся, що це допомагає.

Ви можете визначити нове, udfдодаючи column_name:

u_f = F.udf(lambda :yourstring,StringType())
a.select(u_f().alias('column_name')

from pyspark.sql.functions import udf
from pyspark.sql.types import *
func_name = udf(
    lambda val: val, # do sth to val
    StringType()
)
df.withColumn('new_col', func_name(df.old_col))

Я хотів би запропонувати узагальнений приклад для дуже подібного випадку використання:

Case Case: У мене є csv, що складається з:

First|Third|Fifth
data|data|data
data|data|data
...billion more lines

Мені потрібно виконати деякі перетворення, і кінцевий csv повинен виглядати так

First|Second|Third|Fourth|Fifth
data|null|data|null|data
data|null|data|null|data
...billion more lines

Мені це потрібно зробити, тому що це схема, визначена якоюсь моделлю, і мені потрібно, щоб мої кінцеві дані були сумісні з об'ємними вставками SQL і подібними речами.

так:

1) Я читаю оригінальний csv за допомогою spark.read і називаю його "df".

2) Я щось роблю з даними.

3) Я додаю нульові стовпці за допомогою цього сценарію:

outcols = []
for column in MY_COLUMN_LIST:
    if column in df.columns:
        outcols.append(column)
    else:
        outcols.append(lit(None).cast(StringType()).alias('{0}'.format(column)))

df = df.select(outcols)

Таким чином, ви можете структурувати свою схему після завантаження csv (також буде працювати для переупорядкування стовпців, якщо це потрібно зробити для багатьох таблиць).

Найпростіший спосіб додати стовпчик - це використовувати "withColumn". Оскільки фрейм даних створюється за допомогою sqlContext, ви повинні вказати схему, або за замовчуванням вони можуть бути доступні в наборі даних. Якщо схема вказана, навантаження навантаження стає щосилими, коли змінюється щоразу.

Нижче наведено приклад, який ви можете розглянути:

from pyspark.sql import SQLContext
from pyspark.sql.types import *
sqlContext = SQLContext(sc) # SparkContext will be sc by default 

# Read the dataset of your choice (Already loaded with schema)
Data = sqlContext.read.csv("/path", header = True/False, schema = "infer", sep = "delimiter")

# For instance the data has 30 columns from col1, col2, ... col30. If you want to add a 31st column, you can do so by the following:
Data = Data.withColumn("col31", "Code goes here")

# Check the change 
Data.printSchema()

Ми можемо додати додаткові стовпці до DataFrame безпосередньо з наступними кроками:

from pyspark.sql.functions import when
df = spark.createDataFrame([["amit", 30], ["rohit", 45], ["sameer", 50]], ["name", "age"])
df = df.withColumn("profile", when(df.age >= 40, "Senior").otherwise("Executive"))
df.show()