我有一个具有以下类型的数据框:
col1|col2|col3|col4
xxxx|yyyy|zzzz|[1111],[2222]
我希望我的输出是以下类型:
col1|col2|col3|col4|col5
xxxx|yyyy|zzzz|1111|2222
我的 col4 是一个数组,我想将它转换为一个单独的列。需要做什么?
我看到很多关于 flatMap
的答案,但是它们增加了一行,我只想将元组放在另一列但在同一行中
以下是我的实际架构:
root
|-- PRIVATE_IP: string (nullable = true)
|-- PRIVATE_PORT: integer (nullable = true)
|-- DESTINATION_IP: string (nullable = true)
|-- DESTINATION_PORT: integer (nullable = true)
|-- collect_set(TIMESTAMP): array (nullable = true)
| |-- element: string (containsNull = true)
此外,能否有人帮我解释一下数据帧和 RDD。
最佳答案
创建示例数据:
from pyspark.sql import Row
x = [Row(col1="xx", col2="yy", col3="zz", col4=[123,234])]
rdd = sc.parallelize([Row(col1="xx", col2="yy", col3="zz", col4=[123,234])])
df = spark.createDataFrame(rdd)
df.show()
#+----+----+----+----------+
#|col1|col2|col3| col4|
#+----+----+----+----------+
#| xx| yy| zz|[123, 234]|
#+----+----+----+----------+
像这样使用 getItem
从数组列中提取元素,在您的实际情况中,将 col4
替换为 collect_set(TIMESTAMP)
:
df = df.withColumn("col5", df["col4"].getItem(1)).withColumn("col4", df["col4"].getItem(0))
df.show()
#+----+----+----+----+----+
#|col1|col2|col3|col4|col5|
#+----+----+----+----+----+
#| xx| yy| zz| 123| 234|
#+----+----+----+----+----+
关于python - 如何从pyspark中的数组中提取元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45254928/