Jak dodać stałą kolumnę w Spark DataFrame?

137

Chcę dodać kolumnę DataFramez dowolną wartością (taką samą dla każdego wiersza). Pojawia się błąd, gdy używam withColumnw następujący sposób:

dt.withColumn('new_column', 10).head(5)
---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'

Wygląda na to, że mogę oszukać funkcję, aby działała tak, jak chcę, dodając i odejmując jedną z pozostałych kolumn (więc dodają do zera), a następnie dodając liczbę, którą chcę (w tym przypadku 10):

dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)
[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]

To jest wyjątkowo hakerskie, prawda? Zakładam, że istnieje bardziej legalny sposób, aby to zrobić?

Evan Zamir
źródło

Odpowiedzi:

221

Spark 2.2+

Spark 2.2 wprowadza typedLitdo wsparcia Seq, Maporaz Tuples( SPARK-19254 powinny być obsługiwane) i następujące połączenia (Scala):

import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, 0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Iskra 1.3+ ( lit), 1.4+ ( array, struct), 2.0+ ( map):

Drugim argumentem za DataFrame.withColumnpowinno być a, Columnwięc musisz użyć literału:

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))

Jeśli potrzebujesz złożonych kolumn, możesz je zbudować za pomocą bloków takich jak array:

from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

Dokładnie te same metody można zastosować w Scali.

import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

Aby podać nazwy do structswykorzystania aliasw każdym polu:

df.withColumn(
    "some_struct",
    struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z"))
 )

lub castna całym obiekcie

df.withColumn(
    "some_struct", 
    struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>")
 )

Możliwe jest również, choć wolniejsze, użycie UDF.

Uwaga :

Te same konstrukcje mogą służyć do przekazywania stałych argumentów do funkcji UDF lub SQL.

zero323
źródło
1
Dla innych używających tego do zaimplementowania ... metoda withColumn zwraca nową DataFrame, dodając kolumnę lub zastępując istniejącą kolumnę o tej samej nazwie, więc trzeba będzie ponownie przypisać wyniki do df lub przypisać do nowej zmiennej. Na przykład `df = df.withColumn ('new_column', lit (10)) '
Even Mien
czy przy każdej iteracji możemy zmienić wartości wewnątrz kolumny? próbowałem już tego, for i in range(len(item)) : df.withColumn('new_column', lit({}).format(i)) ale to nie działa
Tracy
30

W Spark 2.2 istnieją dwa sposoby dodawania stałej wartości w kolumnie w DataFrame:

1) Korzystanie lit

2) Korzystanie typedLit.

Różnica między nimi polega na tym, że typedLitmoże również obsługiwać sparametryzowane typy skal, np. List, Seq i Map

Przykładowe DataFrame:

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+

1) Użycie lit: Dodanie stałej wartości ciągu w nowej kolumnie o nazwie newcol:

import org.apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))

Wynik:

+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+

2) za pomocą typedLit:

import org.apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))

Wynik:

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+
Ayush Vatsyayan
źródło
Czy mógłbyś udostępnić pełną wersję wraz z oświadczeniem o imporcie
Ayush Vatsyayan
Spark w wersji 2.2.1. instrukcja import pochodzi z pyspark.sql.functions import typedLit. Wypróbowałem również ten udostępniony przez Ciebie powyżej.
braj