我有一个主 SQL 表,正在将其读入 Spark 并修改以写入 CassandraDB。目前,我有一个将性别从 0、1、2、3(整数)转换为“男”、“女”、“跨性别”等(字符串)的工作实现。虽然下面的方法确实有效,但将这些映射创建一个单独的数组到 DataFrame 中,将其连接到主表/DataFrame 中,然后删除、重命名等似乎非常低效。
我见过:
.withColumn("gender", when(col("gender) === 1, "male").otherwise("female")
这将允许我继续在主表上进行方法链接,但无法让它使用两个以上的选项。有没有办法做到这一点?我在此表上有大约 10 个不同的列,每个列都需要创建自己的自定义转换。由于此代码将处理 TB 级的数据,是否有一种重复性更少且更有效的方法来完成此任务。感谢您提前提供的任何帮助!
case class Gender(tmpid: Int, tmpgender: String)
private def createGenderDf(spark:SparkSession): DataFrame = {
import spark.implicits._
Seq(
Gender(1, "Male"),
Gender(2, "Female"),
Gender(777, "Prefer not to answer")
).toDF
}
private def createPersonsDf(spark: SparkSession): DataFrame = {
val genderDf = createGenderDf(spark)
genderDf.show()
val personsDf: DataFrame = spark.read
.format("csv")
.option("header", "true")
.option("inferSchema", "true")
.option("delimiter", "\t")
.load(dataPath + "people.csv")
.withColumnRenamed("ID", "id")
.withColumnRenamed("name_first", "firstname")
val personsDf1: DataFrame = personsDf
.join(genderDf, personsDf("gender") === genderDf("tmpid"), "leftouter")
val personsDf2: DataFrame = personsDf1
.drop("gender")
.drop("tmpid")
.withColumnRenamed("tmpgender", "gender")
}
最佳答案
您可以使用嵌套的 when
函数,这将消除您创建 genderDf
、join
、drop
、 重命名
等。对于您的示例,您可以执行以下操作
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.StringType
personsDf.withColumn("gender", when(col("gender") === 1, "male").otherwise(when(col("gender") ===2, "female").otherwise("Prefer not to answer")).cast(StringType))
您可以在上述嵌套结构中添加更多 when
函数,并且也可以对其他 10 列重复相同的操作。
关于sql - Scala/Apache Spark 转换 DataFrame 列值和类型,否则为多个,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46165835/