it-roy-ru.com

Конкатенация столбцов в Apache Spark DataFrame

Как объединить два столбца в фрейме данных Apache Spark? Есть ли какая-либо функция в Spark SQL, которую мы можем использовать?

69
Nipun

С сырым SQL вы можете использовать CONCAT:

  • В питоне

    df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
    df.registerTempTable("df")
    sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")
    
  • В Скала

    import sqlContext.implicits._
    
    val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
    df.registerTempTable("df")
    sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")
    

Начиная с Spark 1.5.0 вы можете использовать функцию concat с API DataFrame:

  • В Python:

    from pyspark.sql.functions import concat, col, lit
    
    df.select(concat(col("k"), lit(" "), col("v")))
    
  • В Скала:

    import org.Apache.spark.sql.functions.{concat, lit}
    
    df.select(concat($"k", lit(" "), $"v"))
    

Существует также функция concat_ws, которая принимает в качестве первого аргумента разделитель строк.

123
zero323

Вот как вы можете сделать собственное именование

import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()

дает, 

+--------+--------+
|colname1|colname2|
+--------+--------+
|   row11|   row12|
|   row21|   row22|
+--------+--------+

создать новый столбец путем объединения:

df = df.withColumn('joined_column', 
                    sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()

+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
|   row11|   row12|  row11_row12|
|   row21|   row22|  row21_row22|
+--------+--------+-------------+
25
muon

Если вы хотите сделать это с помощью DF, вы можете использовать udf для добавления нового столбца на основе существующих столбцов.

val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)

//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
    Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))

//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )

//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()
15
Danish Shrestha

Одним из вариантов объединения строковых столбцов в Spark Scala является использование concat.

Необходимо проверить наличие нулевых значений . Потому что, если один из столбцов равен нулю, результат будет нулевым, даже если в одном из других столбцов есть информация.

Использование concat и withColumn:

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

Использование concat и select:

val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")

При обоих подходах у вас будет NEW_COLUMN, значением которого является объединение столбцов: COL1 и COL2 из вашего исходного df. 

9
Ignacio Alorre

Вот еще один способ сделать это для pyspark:

#import concat and lit functions from pyspark.sql.functions 
from pyspark.sql.functions import concat, lit

#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])

#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))

#Show the new data frame
personDF.show()

----------RESULT-------------------------

84
+------------+
|East African|
+------------+
|   Ethiopian|
|      Kenyan|
|     Ugandan|
|     Rwandan|
+------------+
6
Teddy Belay

Вот совет, если вы не знаете номер или название столбцов в кадре данных.

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))
4
wones0120

В Spark 2.3 ( SPARK-22771 ) Spark SQL поддерживает оператор конкатенации ||

Например;

val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")
3
Krishas

В Spark 2.3.0 вы можете сделать:

spark.sql( """ select '1' || column_a from table_a """)
1
Charlie 木匠

В Java вы можете сделать это для объединения нескольких столбцов. Пример кода предназначен для предоставления вам сценария и того, как его использовать для лучшего понимания.

SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
                        .withColumn("concatenatedCol",
                                concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));


class JavaSparkSessionSingleton {
    private static transient SparkSession instance = null;

    public static SparkSession getInstance(SparkConf sparkConf) {
        if (instance == null) {
            instance = SparkSession.builder().config(sparkConf)
                    .getOrCreate();
        }
        return instance;
    }
}

Приведенный выше код объединяет col1, col2, col3 через «_» для создания столбца с именем «concatenatedCol».

0
wandermonk

Еще один способ сделать это в pySpark, используя sqlContext ...

#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])

# Now we can concatenate columns and assign the new column a name 
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))
0
Gur