apache-spark - 使用pyspark连接数据帧的多列

Question

假设我有一个列列表，例如:

col_list = ['col1','col2']
df = spark.read.json(path_to_file)
print(df.columns)
# ['col1','col2','col3']

我需要通过连接 col1 和 col2 来创建一个新列。我不想在连接时对列名进行硬编码，但需要从列表中选择它。

我怎样才能做到这一点？

Answer 1

您可以使用 pyspark.sql.functions.concat() 到 concatenate 与您在 list 中指定的列一样多。继续将它们作为参数传递。

from pyspark.sql.functions import concat
# Creating an example DataFrame
values = [('A1',11,'A3','A4'),('B1',22,'B3','B4'),('C1',33,'C3','C4')]
df = sqlContext.createDataFrame(values,['col1','col2','col3','col4'])
df.show()
+----+----+----+----+
|col1|col2|col3|col4|
+----+----+----+----+
|  A1|  11|  A3|  A4|
|  B1|  22|  B3|  B4|
|  C1|  33|  C3|  C4|
+----+----+----+----+

在 concat() 函数中，您传递需要连接的所有列 - 就像 concat('col1','col2') 。如果您有列表，则可以使用 un-list 对其进行 * 。所以 (*['col1','col2']) 返回 ('col1','col2')

col_list = ['col1','col2']
df = df.withColumn('concatenated_cols',concat(*col_list))
df.show()
+----+----+----+----+-----------------+
|col1|col2|col3|col4|concatenated_cols|
+----+----+----+----+-----------------+
|  A1|  11|  A3|  A4|             A111|
|  B1|  22|  B3|  B4|             B122|
|  C1|  33|  C3|  C4|             C133|
+----+----+----+----+-----------------+