当前位置：网站首页>pyspark列合并为一行

pyspark列合并为一行

2022-08-10 17:50:00 【51CTO】

将 dataframe 利用 pyspark 列合并为一行，类似于 sql 的 GROUP_CONCAT 函数。例如如下 dataframe :

       
       +----+---+
       
|   s|  d|
       
+----+---+
       
|abcd|123|
       
| asd|123|
       
+----+---+
      
1.
2.
3.
4.
5.
6.

需要按照列相同的列 d 将 s 合并，想要的结果为：

       
       +---+-----------+
       
|  d|     newcol|
       
+---+-----------+
       
|123|[abcd, xyz]|
       
+---+-----------+
      
1.
2.
3.
4.
5.

利用 groupby 去实现就好，spark 里面可以用 concat_ws 实现，可以看这个 Spark中SQL列合并为一行，而这里的 concat_ws 合并缺很奇怪，官方文档的实例为：

       
       >>> df = spark.createDataFrame([('abcd','123')], ['s', 'd'])
       
>>> df.select(concat_ws('-', df.s, df.d).alias('s')).collect()
       
[Row(s=u'abcd-123')]
      
1.
2.
3.

作者自己尝试得到：

       
       from pyspark.sql import SparkSession
       
from pyspark.sql.functions import concat_ws
       
# 初始化spark会话
       
spark = SparkSession \
       
    .builder \
       
    .appName("test") \
       
    .master("local") \
       
    .getOrCreate()
       
df = spark.createDataFrame([('abcd','123'),('xyz','123')], ['s', 'd'])
       
df.show()
       
df.select(concat_ws('-', df.s, df.d).alias('newcol')).show()
      
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

       
       +--------+
       
|  newcol|
       
+--------+
       
|abcd-123|
       
| xyz-123|
       
+--------+
      
1.
2.
3.
4.
5.
6.

不是想要的效果。而 collect_list 能得到相同的效果：

       
       from pyspark.sql import SparkSession
       
from pyspark.sql.functions import concat_ws
       
from pyspark.sql.functions import collect_list
       
# 初始化spark会话
       
spark = SparkSession \
       
    .builder \
       
    .appName("test") \
       
    .master("local") \
       
    .getOrCreate()
       
df = spark.createDataFrame([('abcd','123'),('xyz','123')], ['s', 'd'])
       
df.show()
       
df.groupBy("d").agg(collect_list('s').alias('newcol')).show()
      
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.

得到的结果为：

       
       +---+-----------+
       
|  d|     newcol|
       
+---+-----------+
       
|123|[abcd, xyz]|
       
+---+-----------+
      
1.
2.
3.
4.
5.

如果需要collect_list多列，那么可以这么写：

       
       from pyspark.sql import SparkSession
       
from pyspark.sql.functions import collect_set
       
# 初始化spark会话
       
spark = SparkSession \
       
    .builder \
       
    .appName("test") \
       
    .master("local") \
       
    .getOrCreate()
       
df = spark.createDataFrame([('abcd','123','456'),('xyz','123','789')], ['s', 'd','f'])
       
df.show()
       
df.groupBy("d").agg(*[collect_set(col) for col in ['s','f']]).show()
      
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

得到的结果为：

       
       +---+--------------+--------------+
       
|  d|collect_set(s)|collect_set(f)|
       
+---+--------------+--------------+
       
|123|   [abcd, xyz]|    [456, 789]|
       
+---+--------------+--------------+
      
1.
2.
3.
4.
5.

原网站

版权声明
本文为[51CTO]所创，转载请带上原文链接，感谢
https://blog.51cto.com/u_15747947/5564723

当前位置：网站首页>pyspark列合并为一行

pyspark列合并为一行

边栏推荐

猜你喜欢

随机推荐