我有一个 pyspark 数据帧 (df) 具有以下示例表 (表 1): id, col1, col2, col3 1, abc, 空, 定义 2, 空, 定义, 定义, abc 3, 定义, abc, 空
我试图通过忽略空值附加所有列来获取新列(final)。我已经尝试了pyspark代码并使用了f.array(col1、col2、col3)。值会被附加,但不会忽略空值。我还尝试了UDF仅附加非空列,但它不起作用。
import pyspark.sql.functions as f
df = spark.table('table1')
df = df.withColumn('final', f.array(col1,col2,col3))
Actual result:
id, col1, col2, col3, final
1, abc, null, def, [abc,,def]
2, null, def, abc, [,def, abc]
3, def, abc, null, [def,abc,,]
expected result:
id, col1, col2, col3, final
1, abc, null, def, [abc,def]
2, null, def, abc, [def, abc]
3, def, abc, null, [def,abc]
my col1, col2, col3 schema are as below:
where as col1 name is applications
applications: struct (nullable = false)
applicationid: string (nullable = true)
createdat: string (nullable = true)
updatedat: string (nullable = true)
source_name: string (nullable = true)
status: string (nullable = true)
creditbureautypeid: string (nullable = true)
score: integer (nullable = true)
applicationcreditreportid: string (nullable = true)
firstname: string (nullable = false)
lastname: string (nullable = false)
dateofbirth: string (nullable = false)
accounts: array (nullable = true)
element: struct (containsNull = true)
applicationcreditreportaccountid: string (nullable = true)
currentbalance: integer (nullable = true)
institutionid: string (nullable = true)
accounttypeid: string (nullable = true)
dayspastdue: integer (nullable = true)
institution_name: string (nullable = true)
account_type_name: string (nullable = true)
如果问题不清楚或需要更多信息,请告诉我。任何帮助都将不胜感激。:)
您可以定义自己的UDF
如下:
def only_not_null(st,nd,rd):
return [x for x in locals().values() if x is not None] # Take non empty columns
然后调用:
df = spark.table('table1')
df = df.withColumn('final', f.udf(only_not_null)(col1,col2,col3))
使用UDF
from pyspark.sql.functions import udf, array
def join_columns(row_list):
return [cell_val for cell_val in row_list if cell_val is not None]
join_udf = udf(join_columns)
df = spark.table('table1')
df = df.withColumn('final', join_udf(array(col1,col2,col3))
适用于多个列,而不仅仅是3,只需编辑数组内的列。
从Spark 2.4开始,你可以使用高阶函数来实现(不需要UDF)。在PySpark中,查询可能是这样的:
result = (
df
.withColumn("temp", f.array("col1", "col2", "col3"))
.withColumn("final", f.expr("FILTER(temp, x -> x is not null)"))
.drop("temp")
)
是否可以附加到不包含任何索引或列的空数据帧? 我已经尝试过这样做,但最终还是得到了一个空的数据帧。 例如。 结果如下所示:
我正在尝试筛选将< code>None作为行值的PySpark数据帧: 我可以使用字符串值正确过滤: 但这失败了: 但是每一类都有明确的价值。这是怎么回事?
我在pyspark中有一个超过300列的数据帧。在这些列中,有些列的值为null。 例如: 当我想对列u 1求和时,结果得到的是Null,而不是724。 现在,我想用空格替换数据框所有列中的null。因此,当我尝试对这些列求和时,我不会得到null值,但会得到一个数值。 我们如何在pyspark中实现这一点
我有一个DenseVectors作为行的dataframe: 我想用UDF找到每一行的最大值。我就是这么做的: 文件“C:\programdata\anaconda3\envs\python2\lib\site-packages\pyspark\sql\utils.py”,第63行,deco格式返回f(*a,**kw) 文件“C:\programdata\anaconda3\envs\python
使用pyspark数据帧,你如何做相当于熊猫 我想列出pyspark数据框列中的所有唯一值。 不是 SQL 类型方式(注册模板,然后 SQL 查询不同的值)。 此外,我不需要< code>groupby然后< code>countDistinct,而是希望检查该列中的不同值。
我有两个数据帧,它们共享多个公共列,如下所示: 第一个: 而第二个: 我想保留中的行,其列也存在于中。例如,df2的第27行有值,对于,这些值并不都存在于(因为df1只对列有值