如何在Spark DataFrame中添加常量列?

By simon at 2018-02-28 • 0人收藏 • 831人看过

我想在DataFrame中添加一个具有一些任意值的列(即 每行相同)。当我使用99时出现错误9999999956如下:

dt.withColumn('new_column', 10).head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'
看来,我可以通过添加和按钮来欺骗函数进行工作 减去一个of其他列(所以他们加上零),然后添加 我想要的号码(在这种情况下是10):
dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)

[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]
这是至高无上的哈cky,对吗?我认为有更合理的方式来做到这一点?

3 个回复 | 最后更新于 2018-02-28
2018-02-28   #1

* Spark 2.2 + * Spark 2.2引入了typedLit来支持Seq,

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))
4和 Tuples ([火花19254](HTTPS://issues.apache.org/jira/browse/SPARK-19254))和 应该支持以下调用(Scala):
import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, .0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))
* Spark 1.3 + (lit), 1.4 + *(array,struct), * 2.0 + *(map): DataFrame.withColumn的第二个参数应该是aColumn所以你必须 使用文字:
from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))
如果你需要复杂的列,你可以使用类似的方法建立这些列 array:
from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))
在Scala中可以使用完全相同的方法。
import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))
尽管速度较慢,但​​也可以使用一个UDF。

2018-02-28   #2

* Spark 2.2 + * Spark 2.2引入了typedLit来支持Seq,

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))
4和 Tuples ([火花19254](HTTPS://issues.apache.org/jira/browse/SPARK-19254))和 应该支持以下调用(Scala):
import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, .0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))
* Spark 1.3 + (lit), 1.4 + *(array,struct), * 2.0 + *(map): DataFrame.withColumn的第二个参数应该是aColumn所以你必须 使用文字:
from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))
如果你需要复杂的列,你可以使用类似的方法建立这些列 array:
from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))
在Scala中可以使用完全相同的方法。
import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))
尽管速度较慢,但​​也可以使用一个UDF。

2018-02-28   #3

在Spark 2.2中,有两种方法在列中添加常量值 数据帧: 1)使用lit 2)使用typedLit。 钍两者的区别在于typedLit也可以处理 参数化的标量类型例如List,Seq和Map 样品DataFrame:

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+
* 1)使用lit:在名为的新列中添加常量字符串值 NEWCOL:
import org.apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))
结果:
+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+
*
2)使用typedLit:
import org.apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))
结果:
+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+

登录后方可回帖

Loading...