在spark中将多列追加到现有数据帧中

Question

我需要将多个列附加到现有的spark dataframe，其中列名称在列表中给定，假设新列的值是常量，例如给定的输入列和dataframe是

val columnsNames=List("col1","col2")
val data = Seq(("one", 1), ("two", 2), ("three", 3), ("four", 4))

并且在附加两列后，假设 col1 的常量值为“val1”，col2 的常量值为“val2”，则输出数据帧应为

+-----+---+-------+------+
|   _1| _2|col1   |col2|
+-----+---+-------+------+
|  one|  1|val1   |val2|
|  two|  2|val1   |val2|
|three|  3|val1   |val2|
| four|  4|val1   |val2|
+-----+---+-------+------+

我已经编写了一个函数来追加列

def appendColumns (cols: List[String], ds: DataFrame): DataFrame = {

            cols match {

                case Nil => ds
                case h :: Nil => appendColumns(Nil, ds.withColumn(h, lit(h)))
                case h :: tail => appendColumns(tail, ds.withColumn(h, lit(h)))

            }
        }

有没有更好的方式，更具功能性的方式去做。

谢啦

Answer 1

与递归相反，我认为使用foldLeft的更一般的方法对于有限数量的列会更通用。使用数据砖笔记本：

import org.apache.spark.sql._
import org.apache.spark.sql.functions._

import spark.implicits._

val columnNames = Seq("c3","c4")
val df = Seq(("one", 1), ("two", 2), ("three", 3), ("four", 4)).toDF("c1", "c2")

def addCols(df: DataFrame, columns: Seq[String]): DataFrame = {
    columns.foldLeft(df)((acc, col) => {
      acc.withColumn(col, lit(col)) })
}

val df2 = addCols(df, columnNames)
df2.show(false)

返回：

+-----+---+---+---+
|c1   |c2 |c3 |c4 |
+-----+---+---+---+
|one  |1  |c3 |c4 |
|two  |2  |c3 |c4 |
|three|3  |c3 |c4 |
|four |4  |c3 |c4 |
+-----+---+---+---+

请注意以下内容:https://medium . com/@ manu Zhang/the-hidden-cost-of-spark-with column-8 ffea 517 c 015尽管上下文略有不同，另一个答案通过select方法暗示了这一点。

Answer 2

是的，有一种更好、更简单的方法。基本上，您对with Colzo的调用与您拥有的列一样多。有了大量的列、催化剂，优化火花查询的引擎可能会感到有点不知所措（我过去有过类似用例的经验）。我甚至见过它在尝试数千列时在驱动程序上导致OOM。为了避免对催化剂施加压力（并编写更少的代码 ;-) ), 您可以简单地使用下面的select在一个火花命令中完成此操作：

val data = Seq(("one", 1), ("two", 2), ("three", 3), ("four", 4)).toDF
// let's assume that we have a map that associates column names to their values
val columnMap = Map("col1" -> "val1", "col2" -> "val2")
// Let's create the new columns from the map
val newCols = columnMap.keys.map(k => lit(columnMap(k)) as k)
// selecting the old columns + the new ones
data.select(data.columns.map(col) ++ newCols : _*).show
+-----+---+----+----+
|   _1| _2|col1|col2|
+-----+---+----+----+
|  one|  1|val1|val2|
|  two|  2|val1|val2|
|three|  3|val1|val2|
| four|  4|val1|val2|
+-----+---+----+----+