scala - Scala/Spark数据帧: find the column name corresponding to the max

Question

在Scala/Spark中，具有一个数据框:

val dfIn = sqlContext.createDataFrame(Seq(
  ("r0", 0, 2, 3),
  ("r1", 1, 0, 0),
  ("r2", 0, 2, 2))).toDF("id", "c0", "c1", "c2")

我想计算一个新列maxCol，其中包含与最大值相对应的列的名称(针对每一行)。在此示例中，输出应为:

+---+---+---+---+------+
| id| c0| c1| c2|maxCol|
+---+---+---+---+------+
| r0|  0|  2|  3|    c2|
| r1|  1|  0|  0|    c0|
| r2|  0|  2|  2|    c1|
+---+---+---+---+------+

实际上，数据框有60多个列。因此，需要通用的解决方案。

Python Pandas中的等效项(是的，我知道，我应该与pyspark ...进行比较)可能是:

dfOut = pd.concat([dfIn, dfIn.idxmax(axis=1).rename('maxCol')], axis=1) 

Answer 1

一个小技巧，您可以使用greatest函数。所需进口:

import org.apache.spark.sql.functions.{col, greatest, lit, struct}

首先，我们创建一个structs列表，其中第一个元素是value，第二个是列名:

val structs = dfIn.columns.tail.map(
  c => struct(col(c).as("v"), lit(c).as("k"))
)

可以将这样的结构传递给greatest，如下所示:

dfIn.withColumn("maxCol", greatest(structs: _*).getItem("k"))

+---+---+---+---+------+
| id| c0| c1| c2|maxCol|
+---+---+---+---+------+
| r0|  0|  2|  3|    c2|
| r1|  1|  0|  0|    c0|
| r2|  0|  2|  2|    c2|
+---+---+---+---+------+

请注意，在平局的情况下，它将采用序列中稍后出现的元素(按字典顺序(x, "c2") > (x, "c1"))。如果由于某种原因这是 Not Acceptable ，则可以使用when显式地减少:

import org.apache.spark.sql.functions.when

val max_col = structs.reduce(
  (c1, c2) => when(c1.getItem("v") >= c2.getItem("v"), c1).otherwise(c2)
).getItem("k")

dfIn.withColumn("maxCol", max_col)

+---+---+---+---+------+
| id| c0| c1| c2|maxCol|
+---+---+---+---+------+
| r0|  0|  2|  3|    c2|
| r1|  1|  0|  0|    c0|
| r2|  0|  2|  2|    c1|
+---+---+---+---+------+

如果是nullable列，则必须对此进行调整，例如，通过coalescing设置为-Inf的值。