Spark：将UDF应用于Dataframe根据DF中的值生成新列

Question

我在Scala中的DataFrame中转置值时遇到问题。我的初始DataFrame如下所示：

+----+----+----+----+
|col1|col2|col3|col4|
+----+----+----+----+
|   A|   X|   6|null|
|   B|   Z|null|   5|
|   C|   Y|   4|null|
+----+----+----+----+

col1和col2是类型字符串和col3，和col4是Int。

结果应该是这样的:

+----+----+----+----+------+------+------+
|col1|col2|col3|col4|AXcol3|BZcol4|CYcol4|
+----+----+----+----+------+------+------+
|   A|   X|   6|null|     6|  null|  null|
|   B|   Z|null|   5|  null|     5|  null|
|   C|   Y|   4|   4|  null|  null|     4|
+----+----+----+----+------+------+------+

这意味着三个新列应以col1、col2和提取值的列命名。提取的值来自列col2、col3或col5取决于哪个值不是null。

那么如何实现这一点呢？我首先想到的是这样一个< code>UDF:

def myFunc (col1:String, col2:String, col3:Long, col4:Long) : (newColumn:String, rowValue:Long) = {
    if col3 == null{
        val rowValue=col4;
        val newColumn=col1+col2+"col4";
    } else{
        val rowValue=col3;
        val newColumn=col1+col2+"col3";
     }
    return (newColumn, rowValue);
}

val udfMyFunc = udf(myFunc _ ) //needed to treat it as partially applied function

但我如何从数据帧以正确的方式调用它？

当然，上面的所有代码都是垃圾，还有更好的方法。因为我只是在处理第一个代码片段，所以让我知道…比较＜code＞Int已经不起作用了。

感谢任何帮助！谢谢！




Answer 1

好的，我有一个解决方法来实现我想要的东西。我执行以下操作：

(1)我使用< code>[newColumnName，rowValue]生成包含元组的新列。按照这个建议，从Spark数据帧中的单个列派生多个列

case class toTuple(newColumnName: String, rowValue: String)

def createTuple (input1:String, input2:String) : toTuple = {
    //do something fancy here
    var column:String= input1 + input2
    var value:String= input1        
    return toTuple(column, value)
}

val UdfCreateTuple = udf(createTuple _)

（2） 将函数应用于数据帧

dfNew= df.select($"*", UdfCreateTuple($"col1",$"col2").alias("tmpCol")

（3） 创建具有不同值 new列名的数组

val dfDistinct = dfNew.select($"tmpCol.newColumnName").distinct

(4)创建具有不同值的数组

var a = dfDistinct.select($"newCol").rdd.map(r => r(0).asInstanceOf[String])

var arrDistinct = a.map(a => a).collect()

(5)创建键值映射

var seqMapping:Seq[(String,String)]=Seq()
for (i <- arrDistinct){
    seqMapping :+= (i,i)
}

（6） 将映射应用于原始数据帧，参见基于另一列将值映射到特定列

val exprsDistinct = seqMapping.map { case (key, target) => 
  when($"tmpCol.newColumnName" === key, $"tmpCol.rowValue").alias(target) }

val dfFinal = dfNew.select($"*" +: exprsDistinct: _*)

好吧，这有点麻烦，但我可以在不知道有多少列的情况下导出一组新列，同时将值转移到新列中。

Answer 2

匿名用户

有一种更简单的方法：

val df3 = df2.withColumn("newCol", concat($"col1", $"col2")) //Step 1
          .withColumn("value",when($"col3".isNotNull, $"col3").otherwise($"col4")) //Step 2
          .groupBy($"col1",$"col2",$"col3",$"col4",$"newCol") //Step 3
          .pivot("newCol") // Step 4
          .agg(max($"value")) // Step 5
          .orderBy($"newCol") // Step 6
          .drop($"newCol") // Step 7

      df3.show()

步骤如下：

< li >添加一个新列，其中包含与col2连接的col1的内容 < li>//添加一个新列“value ”,它包含col3或col4的非空内容 < li >按所需的列分组 < li >透视newCol，它包含现在将成为列标题的值 < li >按最大值聚合，如果groupBy是每组单值，则最大值为值本身；或者<代码>。agg(first($ " value ")如果值恰好是字符串而不是数值类型- max函数只能应用于数值类型 < li>order by newCol，因此DF按升序排列 < li >删除此列，因为您不再需要它，或者如果您想要一列没有空值的值，请跳过此步骤

感谢@user8371915，他首先帮助我回答了自己的支点问题。

结果如下:

+----+----+----+----+----+----+----+
|col1|col2|col3|col4|  AX|  BZ|  CY|
+----+----+----+----+----+----+----+
|   A|   X|   6|null|   6|null|null|
|   B|   Z|null|   5|null|   5|null|
|   C|   Y|   4|   4|null|null|   4|
+----+----+----+----+----+----+----+

您可能需要尝试将列标题字符串串联起来，以获得正确的结果。