python - PySpark:添加一个新列，其中包含从列创建的元组

Question

这里我创建了一个日期框，如下所示，

df = spark.createDataFrame([('a',5,'R','X'),('b',7,'G','S'),('c',8,'G','S')], 
                       ["Id","V1","V2","V3"])

看起来像

+---+---+---+---+
| Id| V1| V2| V3|
+---+---+---+---+
|  a|  5|  R|  X|
|  b|  7|  G|  S|
|  c|  8|  G|  S|
+---+---+---+---+

我想添加一个由 V1、V2、V3 组成的元组列。

结果应该是这样的

+---+---+---+---+-------+
| Id| V1| V2| V3|V_tuple|
+---+---+---+---+-------+
|  a|  5|  R|  X|(5,R,X)|
|  b|  7|  G|  S|(7,G,S)|
|  c|  8|  G|  S|(8,G,S)|
+---+---+---+---+-------+

我曾尝试使用与 Python 中类似的语法，但没有成功:

df.withColumn("V_tuple",list(zip(df.V1,df.V2,df.V3)))

类型错误:zip 参数 #1 必须支持迭代。

如有任何帮助，我们将不胜感激!

Answer 1

我来自 scala，但我相信 python 中也有类似的方法:

使用 sql.functions打包方法:

如果你想获得具有这三列的 StructType，请使用 struct(cols: Column*): Column 方法，如下所示:

from pyspark.sql.functions import struct
df.withColumn("V_tuple",struct(df.V1,df.V2,df.V3))

但是如果你想将它作为字符串获取，你可以使用 concat(exprs: Column*): Column 方法，如下所示:

from pyspark.sql.functions import concat
df.withColumn("V_tuple",concat(df.V1,df.V2,df.V3))

使用第二种方法，您可能必须将列转换为 String

我不确定 python 语法，如果有语法错误，请编辑答案。

希望对您有所帮助。最好的问候