Jak dodać nową kolumnę do Spark DataFrame (przy użyciu PySpark)?

130

Mam Spark DataFrame (przy użyciu PySpark 1.5.1) i chciałbym dodać nową kolumnę.

Próbowałem następujących bez powodzenia:

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"])

Wystąpił również błąd podczas używania tego:

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

Jak więc dodać nową kolumnę (na podstawie wektora Python) do istniejącej ramki DataFrame za pomocą PySpark?

Boris
źródło

Odpowiedzi:

209

Nie możesz dodać dowolnej kolumny do DataFramew Spark. Nowe kolumny można tworzyć tylko przy użyciu literałów (inne typy literałów są opisane w Jak dodać stałą kolumnę w 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|
## +---+---+-----+---+

przekształcenie istniejącej kolumny:

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...|
## +---+---+-----+---+--------------------+

zawarte za pomocą 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|
## +---+---+-----+---+--------------------+----+

lub wygenerowane za pomocą funkcji / 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|
## +---+---+-----+---+--------------------+----+-------------------+

Pod względem wydajności wbudowane funkcje ( pyspark.sql.functions), które są mapowane na wyrażenie Catalyst, są zwykle preferowane w stosunku do funkcji zdefiniowanych przez użytkownika w Pythonie.

Jeśli chcesz dodać zawartość dowolnego RDD jako kolumnę, możesz

zero323
źródło
1
„Nowe kolumny można tworzyć tylko za pomocą literałów”. Co dokładnie oznaczają literały w tym kontekście?
timbram
Dokumentacja Sparka jest świetna, zobacz df.withColumn spark.apache.org/docs/2.1.0/api/python/…
Steven Black
10
Dokumentacja Spark jest „świetna” tylko pod tym względem, że pozostawia wiele możliwości wykorzystania ćwiczeniom dla wnikliwego czytelnika. Spark (i Pyspark) obejmuje prawdziwe zoo struktur danych, z niewielkimi lub żadnymi instrukcjami, jak je konwertować. Przykład: mnożenie się pytań takich jak to.
shadowtalker,
62

Aby dodać kolumnę za pomocą 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|
## +---+---+-----+---------+
Mark Rajcok
źródło
30

Dla Spark 2.0

# assumes schema has 'age' column 
df.select('*', (df.age + 10).alias('agePlusTen'))
Luke W.
źródło
1
Musi być df.select ('*', (df.age + 10) .alias ('agePlusTen'))
Frank B.
1
Dzięki, a jeśli wejdziesz df = df.select('*', (df.age + 10).alias('agePlusTen')), skutecznie dodasz dowolną kolumnę, ponieważ @ zero323 ostrzegł nas powyżej, jest niemożliwe, chyba że coś jest nie tak w Sparku, w Pandach jest to standardowy sposób ..
kardamon
Czy istnieje wersja tego dla pySpark?
Tagar
@Tagar Powyższy fragment to python.
Luke W
1
@GeoffreyAnderson,df.select('*', df.age + 10, df.age + 20)
Mark Rajcok
2

Istnieje wiele sposobów dodania nowej kolumny w pySpark.

Najpierw utwórzmy prostą ramkę DataFrame.

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

Teraz spróbujmy podwoić wartość kolumny i zapisać ją w nowej kolumnie. PFB kilka różnych podejść do osiągnięcia tego samego.

# 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()

Więcej przykładów i wyjaśnień na temat funkcji Spark DataFrame można znaleźć na moim blogu .

Mam nadzieję, że to pomoże.

neeraj bhadani
źródło
0

Możesz zdefiniować nowy udfpodczas dodawania column_name:

u_f = F.udf(lambda :yourstring,StringType())
a.select(u_f().alias('column_name')
Allen211
źródło
0
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))
DeFOX
źródło
Musisz zadzwonić StringType().
gberger
0

Chciałbym podać ogólny przykład dla bardzo podobnego przypadku użycia:

Przykład zastosowania: mam plik CSV składający się z:

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

Muszę wykonać jakieś transformacje i końcowy plik csv musi wyglądać

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

Muszę to zrobić, ponieważ jest to schemat zdefiniowany przez jakiś model i potrzebuję, aby moje końcowe dane były interoperacyjne z SQL Bulk Inserts i tym podobne.

więc:

1) Przeczytałem oryginalny plik csv za pomocą spark.read i nazywam go „df”.

2) Robię coś z danymi.

3) Dodaj puste kolumny za pomocą tego skryptu:

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)

W ten sposób możesz ustrukturyzować swój schemat po załadowaniu pliku csv (będzie to również działać w przypadku zmiany kolejności kolumn, jeśli musisz to zrobić dla wielu tabel).

bloodrootfc
źródło
0

Najprostszym sposobem dodania kolumny jest użycie opcji „withColumn”. Ponieważ ramka danych jest tworzona za pomocą sqlContext, musisz określić schemat lub domyślnie może być dostępna w zestawie danych. Jeśli schemat jest określony, obciążenie staje się uciążliwe przy każdej zmianie.

Poniżej znajduje się przykład, który możesz wziąć pod uwagę:

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()
Swaminathan Meenakshisundaram
źródło
0

Możemy dodać dodatkowe kolumny bezpośrednio do DataFrame, wykonując poniższe czynności:

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()
jogesh
źródło