python – PySpark：当列是列表时,向DataFrame添加一列

概述我已经阅读了类似的问题,但无法找到解决我具体问题的方法. 我有一份清单 l = [1, 2, 3] 和一个DataFrame df = sc.parallelize([ ['p1', 'a'], ['p2', 'b'], ['p3', 'c'],]).toDF(('product', 'name')) 我想获得一个新的DataFrame,其中列表l作为另一列添加,即 +- 我已经阅读了类似的问题,但无法找到解决我具体问题的方法.

我有一份清单

l = [1,2,3]

和一个DataFrame

df = sc.parallelize([    ['p1','a'],['p2','b'],['p3','c'],]).toDF(('product','name'))

我想获得一个新的DataFrame,其中列表l作为另一列添加,即

+-------+----+---------+|product|name| new_col |+-------+----+---------+|     p1|   a|     1   ||     p2|   b|     2   ||     p3|   c|     3   |+-------+----+---------+

JOIN的方法,我加入df的时候

sc.parallelize([[1],[2],[3]])

失败了.使用withColumn的方法,如

new_df = df.withColumn('new_col',l)

失败,因为列表不是Column对象.

解决方法 因此,通过阅读一些有趣的东西 here,我已经确定你不能真正只是将随机/任意列附加到给定的DataFrame对象.看起来你想要的更多的是拉链而不是连接.我环顾四周找到了 this ticket,这让我觉得如果你有DataFrame而不是RDD对象你将无法压缩.

我能够解决你的问题的唯一方法就是离开DataFrame对象的世界并返回到RDD对象.我还需要为连接创建索引,这可能适用于您的用例,也可能不适用.

l = sc.parallelize([1,3])index = sc.parallelize(range(0,l.count()))z = index.zip(l)rdd = sc.parallelize([['p1','c']])rdd_index = index.zip(rdd)# just in case!assert(rdd.count() == l.count())# perform an inner join on the index we generated above,then map it to look pretty.new_rdd = rdd_index.join(z).map(lambda (x,y): [y[0][0],y[0][1],y[1]])new_df = new_rdd.toDF(["product",'name','new_col'])

当我运行new_df.show()时,我得到：

+-------+----+-------+|product|name|new_col|+-------+----+-------+|     p1|   a|      1||     p2|   b|      2||     p3|   c|      3|+-------+----+-------+

旁注：我真的很惊讶这没用.看起来像外部联接？

from pyspark.sql import Rowl = sc.parallelize([1,3])new_row = Row("new_col_name")l_as_df = l.map(new_row).toDF()new_df = df.join(l_as_df)

当我运行new_df.show()时,我得到：

+-------+----+------------+|product|name|new_col_name|+-------+----+------------+|     p1|   a|           1||     p1|   a|           2||     p1|   a|           3||     p2|   b|           1||     p3|   c|           1||     p2|   b|           2||     p2|   b|           3||     p3|   c|           2||     p3|   c|           3|+-------+----+------------+

总结

以上是内存溢出为你收集整理的python – PySpark：当列是列表时,向DataFrame添加一列全部内容，希望文章能够帮你解决python – PySpark：当列是列表时,向DataFrame添加一列所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。