我想在 a 中添加一个DataFrame具有任意值的列(每一行都相同)。withColumn如下使用时出现错误:
DataFrame
withColumn
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'
似乎我可以通过添加和减去其他列之一(因此它们加到零)然后添加我想要的数字(在本例中为 10)来欺骗函数按我想要的方式工作:
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)]
这非常hacky,对吧?我认为有更合法的方法可以做到这一点?
火花 2.2+
Spark 2.2 引入typedLit了支持 Seq,Map和Tuples( SPARK-19254 ) 并且应该支持以下调用 (Scala):
typedLit
Seq
Map
Tuples
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)))
火花 1.3+* ( ) lit、 1.4+ ( 、)、 2.0+ ( ): array``struct ***map
lit
array``struct
map
for 的第二个参数DataFrame.withColumn应该是 aColumn所以你必须使用文字:
DataFrame.withColumn
Column
from pyspark.sql.functions import lit df.withColumn('new_column', lit(10))
如果您需要复杂的列,您可以使用以下块构建它们array:
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)))
在 Scala 中可以使用完全相同的方法。
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)))
要在每个字段上提供名称以供structs使用:alias
structs
alias
df.withColumn( "some_struct", struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z")) )
或cast在整个物体上
cast
df.withColumn( "some_struct", struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>") )
也可以使用 UDF,尽管速度较慢。
注意 :
相同的构造可用于将常量参数传递给 UDF 或 SQL 函数。