如何在 Spark (Python) 中对 Row 对象的字段进行排序

Question

我在 Spark 中创建 Row 对象。 我不希望我的字段按字母顺序排列。 但是，如果我执行以下操作，它们将按字母顺序排列。

row = Row(foo=1, bar=2)

然后它创建一个如下所示的对象：

Row(bar=2, foo=1)

当我然后在这个对象上创建一个数据框时，列顺序将是 bar 首先，foo 其次，当我更喜欢它的时候。

我知道我可以使用“_1”和“_2”（分别用于“foo”和“bar”），然后分配一个模式（使用适当的“foo”和“bar”名称）。 但是有什么办法可以防止 Row 对象对它们进行排序？

Answer 1

火花 >= 3.0

SPARK-29748删除了字段排序（删除 PySpark SQL 行创建导出中的字段排序），遗留模式除外，当设置以下环境变量时：

PYSPARK_ROW_FIELD_SORTING_ENABLED=true 

火花 < 3.0

但是有什么办法可以防止 Row 对象对它们进行排序？

没有。 如果您提供kwargs参数将按 name 排序。 确定性行为需要排序，因为 3.6 之前的 Python 不保留关键字参数的顺序。

只需使用普通元组：

rdd = sc.parallelize([(1, 2)])

并将模式作为参数传递给RDD.toDF （不要与DataFrame.toDF混淆）：

rdd.toDF(["foo", "bar"])

或createDataFrame ：

from pyspark.sql.types import *

spark.createDataFrame(rdd, ["foo", "bar"])

# With full schema
schema = StructType([
    StructField("foo", IntegerType(), False),
    StructField("bar", IntegerType(), False)])

spark.createDataFrame(rdd, schema)

您还可以使用namedtuples ：

from collections import namedtuple

FooBar = namedtuple("FooBar", ["foo", "bar"])
spark.createDataFrame([FooBar(foo=1, bar=2)])

最后，您可以通过select对列进行排序：

sc.parallelize([Row(foo=1, bar=2)]).toDF().select("foo", "bar")

Answer 2

从文档：

Row 也可以用来创建另一个 Row 类，然后它可以用来创建 Row 对象

在这种情况下，列的顺序被保存：

>>> FooRow = Row('foo', 'bar')
>>> row = FooRow(1, 2)
>>> spark.createDataFrame([row]).dtypes
[('foo', 'bigint'), ('bar', 'bigint')]

Answer 3

如何对原始模式进行排序以匹配 RDD 的字母顺序：

schema_sorted = StructType()
structfield_list_sorted = sorted(df.schema, key=lambda x: x.name)
for item in structfield_list_sorted:
    schema_sorted.add(item)