提取列值并将其作为Spark数据帧中的数组分配给另一列

Question

我有一个带有以下列的Spark Dataframe。

C1 | C2 | C3| C4
1  | 2  | 3 | S1
2  | 3  | 3 | S2
4  | 5  | 3 | S2

我想通过像C5这样从C4列中获取不同的值来生成另一列C5

[S1,S2]
[S1,S2]
[S1,S2]

有人可以帮助我如何使用Scala在Spark数据框中实现此目标吗？

Answer 1

您可能需要收集来自柱4的不同项目，并把它们放在一个列表先，然后用withColumn创建一个新的列C5通过创建udf总是返回一个恒定的名单：

val uniqueVal = df.select("C4").distinct().map(x => x.getAs[String](0)).collect.toList    
def myfun: String => List[String] = _ => uniqueVal 
def myfun_udf = udf(myfun)

df.withColumn("C5", myfun_udf(col("C4"))).show

+---+---+---+---+--------+
| C1| C2| C3| C4|      C5|
+---+---+---+---+--------+
|  1|  2|  3| S1|[S2, S1]|
|  2|  3|  3| S2|[S2, S1]|
|  4|  5|  3| S2|[S2, S1]|
+---+---+---+---+--------+