Jak zmienić nazwy kolumn ramki danych w pyspark?

Pochodzę z tła pand i jestem przyzwyczajony do czytania danych z plików CSV do ramki danych, a następnie po prostu zmieniając nazwy kolumn na coś użytecznego za pomocą prostego polecenia:

df.columns = new_column_name_list

Jednak to samo nie działa w ramkach danych pyspark utworzonych za pomocą sqlContext. Jedynym rozwiązaniem, które udało mi się wymyślić, aby to zrobić z łatwością, jest:

df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', inferschema='true', delimiter='\t').load("data.txt")
oldSchema = df.schema
for i,k in enumerate(oldSchema.fields):
  k.name = new_column_name_list[i]
df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', delimiter='\t').load("data.txt", schema=oldSchema)

Jest to w zasadzie dwukrotne zdefiniowanie zmiennej i najpierw wywnioskowanie schematu, a następnie zmiana nazw kolumn, a następnie ponowne załadowanie ramki danych zaktualizowanym schematem.

Czy istnieje lepszy i bardziej wydajny sposób na zrobienie tego tak, jak robimy to w pandach?

Moja wersja Spark to 1.5.0

Można to zrobić na wiele sposobów:

• Opcja 1. Korzystanie z selectExpr .

  data = sqlContext.createDataFrame([("Alberto", 2), ("Dakota", 2)], 
                                    ["Name", "askdaosdka"])
  data.show()
  data.printSchema()
  
  # Output
  #+-------+----------+
  #|   Name|askdaosdka|
  #+-------+----------+
  #|Alberto|         2|
  #| Dakota|         2|
  #+-------+----------+
  
  #root
  # |-- Name: string (nullable = true)
  # |-- askdaosdka: long (nullable = true)
  
  df = data.selectExpr("Name as name", "askdaosdka as age")
  df.show()
  df.printSchema()
  
  # Output
  #+-------+---+
  #|   name|age|
  #+-------+---+
  #|Alberto|  2|
  #| Dakota|  2|
  #+-------+---+
  
  #root
  # |-- name: string (nullable = true)
  # |-- age: long (nullable = true)
  

• Opcja 2. Używając withColumnRenamed , zauważ, że ta metoda pozwala „nadpisać” tę samą kolumnę. Dla Python3 wymienić xrangez range.

  from functools import reduce
  
  oldColumns = data.schema.names
  newColumns = ["name", "age"]
  
  df = reduce(lambda data, idx: data.withColumnRenamed(oldColumns[idx], newColumns[idx]), xrange(len(oldColumns)), data)
  df.printSchema()
  df.show()
  

• Opcja 3. Używając aliasu , w Scali możesz również użyć jako .

  from pyspark.sql.functions import col
  
  data = data.select(col("Name").alias("name"), col("askdaosdka").alias("age"))
  data.show()
  
  # Output
  #+-------+---+
  #|   name|age|
  #+-------+---+
  #|Alberto|  2|
  #| Dakota|  2|
  #+-------+---+
  

• Opcja 4. Korzystanie z narzędzia sqlContext.sql , które pozwala używać zapytań SQL DataFrameszarejestrowanych jako tabele.

  sqlContext.registerDataFrameAsTable(data, "myTable")
  df2 = sqlContext.sql("SELECT Name AS name, askdaosdka as age from myTable")
  
  df2.show()
  
  # Output
  #+-------+---+
  #|   name|age|
  #+-------+---+
  #|Alberto|  2|
  #| Dakota|  2|
  #+-------+---+
  

df = df.withColumnRenamed("colName", "newColName")
       .withColumnRenamed("colName2", "newColName2")

Zaleta korzystania z tego sposobu: Przy długiej liście kolumn chciałbyś zmienić tylko kilka nazw kolumn. Może to być bardzo wygodne w tych scenariuszach. Bardzo przydatne podczas łączenia tabel ze zduplikowanymi nazwami kolumn.

Jeśli chcesz zmienić nazwy wszystkich kolumn, spróbuj df.toDF(*cols)

Jeśli chcesz zastosować prostą transformację do wszystkich nazw kolumn, ten kod załatwi sprawę: (Zastępuję wszystkie spacje znakiem podkreślenia)

new_column_name_list= list(map(lambda x: x.replace(" ", "_"), df.columns))

df = df.toDF(*new_column_name_list)

Dzięki @ user8117731 za toDfpodstęp.

Jeśli chcesz zmienić nazwę jednej kolumny i zachować resztę taką, jaka jest:

from pyspark.sql.functions import col
new_df = old_df.select(*[col(s).alias(new_name) if s == column_to_change else s for s in old_df.columns])

df.withColumnRenamed('age', 'age2')

to podejście zastosowałem:

utwórz sesję pyspark:

import pyspark
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('changeColNames').getOrCreate()

utwórz ramkę danych:

df = spark.createDataFrame(data = [('Bob', 5.62,'juice'),  ('Sue',0.85,'milk')], schema = ["Name", "Amount","Item"])

zobacz df z nazwami kolumn:

df.show()
+----+------+-----+
|Name|Amount| Item|
+----+------+-----+
| Bob|  5.62|juice|
| Sue|  0.85| milk|
+----+------+-----+

utwórz listę z nowymi nazwami kolumn:

newcolnames = ['NameNew','AmountNew','ItemNew']

zmień nazwy kolumn df:

for c,n in zip(df.columns,newcolnames):
    df=df.withColumnRenamed(c,n)

zobacz df z nowymi nazwami kolumn:

df.show()
+-------+---------+-------+
|NameNew|AmountNew|ItemNew|
+-------+---------+-------+
|    Bob|     5.62|  juice|
|    Sue|     0.85|   milk|
+-------+---------+-------+

Stworzyłem łatwą w użyciu funkcję zmiany nazwy wielu kolumn dla ramki danych pyspark, na wypadek, gdyby ktoś chciał z niej skorzystać:

def renameCols(df, old_columns, new_columns):
    for old_col,new_col in zip(old_columns,new_columns):
        df = df.withColumnRenamed(old_col,new_col)
    return df

old_columns = ['old_name1','old_name2']
new_columns = ['new_name1', 'new_name2']
df_renamed = renameCols(df, old_columns, new_columns)

Uważaj, obie listy muszą być tej samej długości.

Inny sposób zmiany nazwy tylko jednej kolumny (przy użyciu import pyspark.sql.functions as F):

df = df.select( '*', F.col('count').alias('new_count') ).drop('count')

Używam tego:

from pyspark.sql.functions import col
df.select(['vin',col('timeStamp').alias('Date')]).show()

Możesz użyć następującej funkcji, aby zmienić nazwę wszystkich kolumn ramki danych.

def df_col_rename(X, to_rename, replace_with):
    """
    :param X: spark dataframe
    :param to_rename: list of original names
    :param replace_with: list of new names
    :return: dataframe with updated names
    """
    import pyspark.sql.functions as F
    mapping = dict(zip(to_rename, replace_with))
    X = X.select([F.col(c).alias(mapping.get(c, c)) for c in to_rename])
    return X

Jeśli musisz zaktualizować tylko kilka nazw kolumn, możesz użyć tej samej nazwy kolumny na liście replace_with

Aby zmienić nazwę wszystkich kolumn

df_col_rename(X,['a', 'b', 'c'], ['x', 'y', 'z'])

Aby zmienić nazwę niektórych kolumn

df_col_rename(X,['a', 'b', 'c'], ['a', 'y', 'z'])

W przypadku zmiany nazwy pojedynczej kolumny nadal można użyć funkcji toDF (). Na przykład,

df1.selectExpr("SALARY*2").toDF("REVISED_SALARY").show()

Możemy użyć różnych metod, aby zmienić nazwę nazwy kolumny.

Najpierw utwórzmy prosty DataFrame.

df = spark.createDataFrame([("x", 1), ("y", 2)], 
                                  ["col_1", "col_2"])

Teraz spróbujmy zmienić nazwę col_1 na col_3. PFB kilka podejść do tego samego.

# Approach - 1 : using withColumnRenamed function.
df.withColumnRenamed("col_1", "col_3").show()

# Approach - 2 : using alias function.
df.select(df["col_1"].alias("col3"), "col_2").show()

# Approach - 3 : using selectExpr function.
df.selectExpr("col_1 as col_3", "col_2").show()

# Rename all columns
# Approach - 4 : using toDF function. Here you need to pass the list of all columns present in DataFrame.
df.toDF("col_3", "col_2").show()

Oto wynik.

+-----+-----+
|col_3|col_2|
+-----+-----+
|    x|    1|
|    y|    2|
+-----+-----+

Mam nadzieję, że to pomoże.