pyspark dataframe列的合并与拆分实例

这篇文章主要介绍了pyspark dataframe列的合并与拆分实例，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教

pyspark dataframe列的合并与拆分

使用Spark SQL在对数据进行处理的过程中，可能会遇到对一列数据拆分为多列，或者把多列数据合并为一列。

这里记录一下目前想到的对DataFrame列数据进行合并和拆分的几种方法。

from pyspark.sql import SparkSession spark = SparkSession.builder \ .master("local") \ .appName("dataframe_split") \ .config("spark.some.config.option", "some-value") \ .getOrCreate() sc = spark.sparkContext df = spark.read.csv('hdfs://master:9000/dataset/dataframe_split.csv', inferSchema=True, header=True) df.show(3)

原始数据如下所示

dataframe列数据的分割

from pyspark.sql.functions import split, explode, concat, concat_ws df_split = df.withColumn("s", split(df['score'], " ")) df_split.show()

dataframe列数据的拆分

zipWithIndex:给每个元素生成一个索引　

排序首先基于分区索引，然后是每个分区内的项目顺序．因此，第一个分区中的第一个item索引为０，最后一个分区中的最后一个item的索引最大．当RDD包含多个分区时此方法需要触发spark作业．

first_row = df.first() numAttrs = len(first_row['score'].split(" ")) print("新增列的个数", numAttrs) attrs = sc.parallelize(["score_" + str(i) for i in range(numAttrs)]).zipWithIndex().collect() print("列名：", attrs) for name, index in attrs: df_split = df_split.withColumn(name, df_split['s'].getItem(index)) df_split.show()

dataframe将一行分成多行

df_explode = df.withColumn("e", explode(split(df['score'], " "))) df_explode.show()

dataframe列数据的合并

列的合并有两个函数：一个不添加分隔符concat()，一个添加分隔符concat_ws()

concat

df_concat = df_split.withColumn("score_concat", concat(df_split['score_0'], \ df_split['score_1'], df_split['score_2'], df_split['score_3'])) df_concat.show()

caoncat_ws

df_ws = df_split.withColumn("score_concat", concat_ws('-', df_split['score_0'], \ df_split['score_1'], df_split['score_2'], df_split['score_3'])) df_ws.show()

dataframe多行转多列

pivot: 旋转当前[[dataframe]]列并执行指定的聚合

#DataFrame 数据格式:每个用户对每部电影的评分 userID 用户ID,movieID 电影ID,rating评分 df=spark.sparkContext.parallelize([[15,399,2], \ [15,1401,5], \ [15,1608,4], \ [15,20,4], \ [18,100,3], \ [18,1401,3], \ [18,399,1]])\ .toDF(["userID","movieID","rating"]) #pivot 多行转多列 resultDF = df.groupBy("userID").pivot("movieID").sum("rating").na.fill(-1) #结果 resultDF.show()

pyspark dataframe常用操作

总体原则

pyspark中，dataframe与sql的耗时会经引擎优化，效率高于rdd，因此尽可能使用dataframe或者sql。执行效率之外，dataframe优于rdd的另一个好处是：dataframe的各个量有语义信息，便于后期维护。比如rdd[0][1][1]这种很难维护，但是，df.info.school.grade就容易理解。

在使用dataframe过程中，应尽量避免使用udf，因为序列化数据原本在JVM中，现在spark在worker上启动一个Python进程，需要将全体数据序列化成python可解释的格式，计算昂贵。

列相关

根据已有列生成新列

from pyspark.sql.functions import length, col, lit, size df.withColumn("length_col", length(col("existing_str_col"))) # 将existing_str_col的长度生成新列 df.withColumn("constant_col", lit("hello")) # 生成一列常量 df.withColumn("size_col", size(col("existing_array_col"))) # 将existing_array_col的元素个数生成新列

从已有列选择部分列

from pyspark.sql.functions import col df = df.select(col("col_1").cast("string"), col("col_2").alias("col_2_")) # 选择col_1列和col_2列，并将col_1列转换为string格式，将col_2列重命名为col_2_,此时不再存在col_2

将几列连接起来形成新列

from pyspark.sql.functions import concat_ws   df = df.withColumn("concat_col", concat_ws("_", df.col_1, df.col_2)) # 使用_将col_1和col_2连接起来，构成新列concat_col

将string列分割成list

from pyspark.sql.functions import split   df = df.withColumn("split_col", split(df.col, "-")) #按照-将df中的col列分割，此时split_col时一个list，后续或者配合filter(length(...))使用

统计列均值

from pyspark.sql.functions import mean   col_mean = df.select(mean(col)).collect()[0][0]

行相关

从全体行中选择部分行（一般调试时使用）

print(df.take(5)) #交互式的pyspark shell中，等价于df.show(5)

统计行数量

print(df.count()) #统计行数量

从全体行中筛选出部分行

from pyspark.sql.functions import col df = df.filter(col("col_1")==col("col_2")) #保留col_1等于col_2的行

删除带null的行

df.na.drop("all") # 只有当所有列都为空时，删除该行 df.na.drop("any") # 任意列为空时，删除该行 df.na.drop("all", colsubset=["col_1","col_2"]) # 当col_1和col_2都为空时，删除该行

去除重复行

df = df.distinct() # 删除所有列值相同的重复行 df = df.dropDuplicates(["date", "count"]) # 删除date, count两列值相同的行

一行拆分成多行

from pyspark.sql.functions import explode, split   df = df.withColumn("sub_str", explode(split(df["str_col"], "_"))) # 将str_col按-拆分成list，list中的每一个元素成为sub_str,与原行中的其他列一起组成新的行

填补行中的空值

df.na.fill({"col_name":fill_content}) # 用fill_content填补col_name列的空值

行前加入递增（不一定连续）唯一序号

from pyspark.sql.functions import monotonically_increasing_id   df = df.withColumn("id", monotonically_increasing_id())

两个dataframe

两个dataframe根据某列拼接

df_3 = df_1.join(df_2, df_1.col_1==df_2.col_2) # inner join, 只有当df_1中的col_1列值等于df_2中的col_2时，才会拼接 df_4 = df_1.join(df_2, df_1.col_1==df_2.col_2, "left") # left join, 当df_1中的col_1值不存在于df_2中时，仍会拼接，凭借值填充null

两个dataframe合并

df3 = df1.union(df2)

聚合操作

groupBy from pyspark.sql.functions import concat_ws, split, explode, collect_list, struct   concat_df = concat_df.groupBy("sample_id", "sample_date").agg(collect_list('feature').alias("feature_list")) # 将同sample_id, sample_date的行聚合成组，feature字段拼成一个list，构成新列feature_list。agg配合groupBy使用，效果等于select。此时concat_df只有两列：sample_id和feature_list。 concat_tuple_df = concat_df.groupBy("sample_id", "sample_date").agg(collect_list(struct("feature", "owner")).alias("tuple")) # 将同sample_id, sample_date的行聚合成组， (feature, owner)两个字段拼成一个单位，组内所有单位拼成一个list，构成新列tuple

窗口函数

from pyspark.sql.window import Window from pyspark.sql.functions import col, row_number   windowSpec = Window.partitionBy(df.id, df.date).orderBy(col("price").desc(), col("discount").asc()) # 相同id,date的行被聚成组，组内按照price降序，discount升序进行排列 df = df.withColumn("rank", row_number().over(windowSpec)) #为排序之后的组进行组内编号 df = df.filter(df.rank<=1) # 取组内top-1行

读写成csv

from pyspark.sql import SparkSession from pyspark import SparkContext   sc = SparkContext(appName="test_rw") sc_session = SparkSession(sc) df.write.mode("overwrite").options(header="true").csv(output_path) df = sc_session.csv.read(input_path, header=True)

dataframe转SQL

from pyspark import SparkContext from pyspark.sql import SparkSession   sc = SparkContext(appName='get_sample') sc_session = SparkSession(sc)   sample_df.createOrReplaceTempView("item_sample_df") sample_df = sc_session.sql(         '''             select sample_id                 ,label                 ,type_ as type                 ,split(item_id, "_")[2] as owner                 ,ftime             from item_sample_df         ''')

自定义函数UDF（如非必要，勿用）

from pysprak.sql.functions import udf, col from pyspark.sql.types import StringType, ArrayType, StructField, StructType     def simple_func(v1, v2):     pass     # return str   simple_udf = udf(my_func, StringType())   df = df.withColumn("new", simple_udf(df["col_1"], df["col_2"]))       # 复杂type   def get_entity_func():     pass     # return str_list_1, str_list_2   entity_schema = StructType([                     StructField("location", ArrayType(StringType()), True),                     StructField("nondigit", ArrayType(StringType()), True)                 ])   get_entity_udf = udf(get_entity_func, entity_schema)

dataframe与rdd互相转换

from pyspark import SparkContext from pyspark.sql import SparkSession from pyspark.sql.types import StructType, StructField, StringType, FloatType     sc = SparkContext(appName="rdd2df") sc_session = SparkSession(sc)   rdd = df.rdd # df转rdd, 注意每列仍带header，要map(lambda line: [line.id, line.price])才可以转换成不带header   schema = StructType([                     StructField("id", StringType(), True),                     StructField("price", FloatType(), True)                     ]) df = sc_session.createDataFrame(rdd, schema) # rdd转df