将PySpark RDD添加为pyspark.sql.dataframe的新列

Question

我有一个pyspark.sql.dataframe，其中每一行都是一篇新闻文章。 然后我有一个RDD代表每篇文章中包含的单词。 我想将单词的RDD添加为名为“words”的列到我的新文章的数据框中。 我试过了

df.withColumn('words', words_rdd )

但我得到了错误

AssertionError: col should be Column

DataFrame看起来像这样

Articles
the cat and dog ran
we went to the park
today it will rain

但我有3k新闻文章。

我应用了一个函数来清理文本，例如删除停用词，我有一个如下所示的RDD：

[[cat, dog, ran],[we, went, park],[today, will, rain]]

我试图让我的Dataframe看起来像这样：

Articles                 Words
the cat and dog ran      [cat, dog, ran]
we went to the park      [we, went, park]
today it will rain       [today, will, rain]

Answer 1

免责声明 ：

Spark DataFrame一般没有严格定义的顺序。 使用风险由您自己承担。

将索引添加到现有DataFrame ：

from pyspark.sql.types import *

df_index = spark.createDataFrame(
    df.rdd.zipWithIndex(),
    StructType([StructField("data", df.schema), StructField("id", LongType())])
)

将索引添加到RDD并转换为DataFrame ：

words_df = spark.createDataFrame(
    words_rdd.zipWithIndex(),
    StructType([
        StructField("words", ArrayType(StringType())),
        StructField("id", LongType())
    ])
)

加入并选择必填字段：

df_index.join(words_df, "id").select("data.*", "words")

警告

有不同的解决方案，可能在特定情况下有效，但不保证性能和/或正确性。 这些包括：

• 使用monotonically_increasing_id作为join键 - 通常情况下不正确。
• 使用row_number()窗口函数作为连接键 - 不可接受的性能影响，如果没有定义特定的顺序，通常不正确。
• 在RDDs上使用zip - 当且仅当两个结构具有相同的数据分布时才能工作（在这种情况下应该有效）。

注意 ：

在这种特定情况下，您不应该需要RDD 。 pyspark.ml.feature提供各种Transformers ，应该适合你。

from pyspark.ml.feature import *
from pyspark.ml import Pipeline

df = spark.createDataFrame(
     ["the cat and dog ran", "we went to the park", "today it will rain"],
         "string"
).toDF("Articles")

Pipeline(stages=[
    RegexTokenizer(inputCol="Articles", outputCol="Tokens"), 
    StopWordsRemover(inputCol="Tokens", outputCol="Words")
]).fit(df).transform(df).show()
# +-------------------+--------------------+---------------+
# |           Articles|              Tokens|          Words|
# +-------------------+--------------------+---------------+
# |the cat and dog ran|[the, cat, and, d...|[cat, dog, ran]|
# |we went to the park|[we, went, to, th...|   [went, park]|
# | today it will rain|[today, it, will,...|  [today, rain]|
# +-------------------+--------------------+---------------+

可以使用StopWordsRemover stopWords参数提供停用词列表，例如：

StopWordsRemover(
    inputCol="Tokens",
    outputCol="Words",
    stopWords=["the", "and", "we", "to", "it"]
)

Answer 2

为什么要将rdd加入到数据框中，我宁愿直接从“Articles”创建一个新列。 有多种方法可以做到这一点，这是我的5美分：

from pyspark.sql import Row
from pyspark.sql.context import SQLContext
sqlCtx = SQLContext(sc)    # sc is the sparkcontext

x = [Row(Articles='the cat and dog ran'),Row(Articles='we went to the park'),Row(Articles='today it will rain')]
df = sqlCtx.createDataFrame(x)

df2 = df.map(lambda x:tuple([x.Articles,x.Articles.split(' ')])).toDF(['Articles','words'])
df2.show()

您将获得以下输出：

Articles                 words
the cat and dog ran      [the, cat, and, dog, ran]
we went to the park      [we, went, to, the, park]
today it will rain       [today, it, will, rain]

如果你想要实现其他目标，请告诉我。

Answer 3

一个简单的方法，但有效的是使用udf 。 您可以：

from pyspark.sql.functions import udf
from pyspark.sql.types import StringType

df = spark.createDataFrame(["the cat and dog ran", "we went to the park", "today it will rain", None], 
"string" ).toDF("Articles")

split_words = udf(lambda x : x.split(' ') if x is not None else x, StringType())
df = df.withColumn('Words', split_words(df['Articles']))

df.show(10,False)
>>
+-------------------+-------------------------+
|Articles           |Words                    |
+-------------------+-------------------------+
|the cat and dog ran|[the, cat, and, dog, ran]|
|we went to the park|[we, went, to, the, park]|
|today it will rain |[today, it, will, rain]  |
|null               |null                     |
+-------------------+-------------------------+

我添加了检查无，因为通常在您的数据中有坏行。 您可以在拆分之后或之前使用dropna轻松放下它们。

但在我看来，如果您想将此作为文本分析的准备任务，那么建立管道可能符合您的最佳利益，因为@ user9613318在他的回答中建议

Answer 4

rdd1 = spark.sparkContext.parallelize([1, 2, 3, 5])
# make some transformation on rdd1:
rdd2 = rdd.map(lambda n: True if n % 2 else False)
# Append each row in rdd2 to those in rdd1.
rdd1.zip(rdd2).collect()