压缩和分解Spark SQL数据帧中的多列

Question

我有以下结构的数据帧：

A: Array[String]   | B: Array[String] | [ ... multiple other columns ...]
=========================================================================
[A, B, C, D]       | [1, 2, 3, 4]     | [ ... array with 4 elements ... ]
[E, F, G, H, I]    | [5, 6, 7, 8, 9]  | [ ... array with 5 elements ... ]
[J]                | [10]             | [ ... array with 1 element ...  ]

我想写一个UDF，那个

< li >压缩DF中每列第I个位置的元素 < li >分解每个压缩元组的DF

生成的列应如下所示：

ZippedAndExploded: Array[String]
=================================
[A, 1, ...]
[B, 2, ...]
[C, 3, ...]
[D, 4, ...]
[E, 5, ...]
[F, 6, ...]
[G, 7, ...]
[H, 8, ...]
[I, 9, ...]
[J, 10, ...]

目前，我正在对UDF使用多调用（每个列名一个，在运行时之前收集列名列表），如下所示：

val myudf6 = udf((xa:Seq[Seq[String]],xb:Seq[String]) => {
  xa.indices.map(i => {
    xa(i) :+ xb(i) // Add one element to the zip column
  })
})

val allColumnNames = df.columns.filter(...)    

for (columnName <- allColumnNames) {
  df = df.withColumn("zipped", myudf8(df("zipped"), df(columnName))
}
df = df.explode("zipped")

由于dataframe可能有数百列，因此这种对< code>withColumn的迭代调用似乎需要很长时间。

问题：这是否可能与一个UDF和一个＜code＞DF.withColumn（…）

重要提示：UDF应该压缩动态数量的列（在运行时读取）。

Answer 1

如果您知道并确定您的数组中的值的数量下面可以是一个更简单的解决方案

select A[0], B[0]..... from your_table
union all
select A[1], B[1]..... from your_table
union all
select A[2], B[2]..... from your_table
union all
select A[3], B[3]..... from your_table

Answer 2

使用采用可变数量的列作为输入的 UDF。这可以通过数组数组来完成（假设类型相同）。由于您有一个数组数组，因此可以使用转置，这将获得与将列表压缩在一起相同的结果。然后，生成的数组可以分解。

val array_zip_udf = udf((cols: Seq[Seq[String]]) => {
  cols.transpose
})

val allColumnNames = df.columns.filter(...).map(col)
val df2 = df.withColumn("exploded", explode(array_zip_udf(array(allColumnNames: _*))))

请注意，在Spark 2.4中，可以使用< code>arrays_zip来代替< code>UDF:

val df2 = df.withColumn("exploded", explode(arrays_zip(allColumnNames: _*)))