如何从SparkSQL DataFrame中的MapType列获取键和值

Question

我有一个拼花文件中的数据，它有两个字段：＜code＞object_id:String＜/code＞和＜code＞alpha:Map

它被读入sparkSQL中的数据框，模式如下所示:

scala> alphaDF.printSchema()
root
 |-- object_id: string (nullable = true)
 |-- ALPHA: map (nullable = true)
 |    |-- key: string
 |    |-- value: struct (valueContainsNull = true)

我正在使用Spark 2.0，我正在尝试创建一个新的数据帧，其中列需要是object_id加上ALPHAmap中的键，如object_id、key1、key2、key3、

我首先想看看我是否至少可以像这样访问地图：

scala> alphaDF.map(a => a(0)).collect()
<console>:32: error: Unable to find encoder for type stored in a Dataset.
Primitive types (Int, String, etc) and Product types (case classes) are 
supported by importing spark.implicits._  Support for serializing other
types will be added in future releases.
   alphaDF.map(a => a(0)).collect()

但不幸的是，我似乎无法找到如何访问地图的键。

有人能告诉我如何将< code>object_id加上映射键作为列名，并将映射值作为新数据帧中的相应值吗？

Answer 1

如果你在PySpark，我只是找到一个简单的实现：

from pyspark.sql.functions import map_keys

alphaDF.select(map_keys("ALPHA").alias("keys")).show()

你可以在这里查看详细信息

Answer 2

火花

您可以使用map_keys函数简化该过程：

import org.apache.spark.sql.functions.map_keys

还有map_values函数，但在这里它不会直接有用。

火花

一般方法可以用几个步骤来表示。首次需要导入：

import org.apache.spark.sql.functions.udf
import org.apache.spark.sql.Row

和示例数据:

val ds = Seq(
  (1, Map("foo" -> (1, "a"), "bar" -> (2, "b"))),
  (2, Map("foo" -> (3, "c"))),
  (3, Map("bar" -> (4, "d")))
).toDF("id", "alpha")

要提取密钥，我们可以使用UDF(火花

val map_keys = udf[Seq[String], Map[String, Row]](_.keys.toSeq)

或内置函数

import org.apache.spark.sql.functions.map_keys

val keysDF = df.select(map_keys($"alpha"))

找到不同的：

val distinctKeys = keysDF.as[Seq[String]].flatMap(identity).distinct
  .collect.sorted

您还可以使用爆炸来泛化键提取：

import org.apache.spark.sql.functions.explode

val distinctKeys = df
  // Flatten the column into key, value columns
 .select(explode($"alpha"))
 .select($"key")
 .as[String].distinct
 .collect.sorted

并选择：

ds.select($"id" +: distinctKeys.map(x => $"alpha".getItem(x).alias(x)): _*)