[英]Apache Spark how to append new column from list/array to Spark dataframe
我正在使用 Apache Spark 2.0 数据帧/数据集 API 我想从值列表中向我的 dataframe 添加一个新列。 我的列表具有与给定 dataframe 相同数量的值。
val list = List(4,5,10,7,2)
val df = List("a","b","c","d","e").toDF("row1")
我想做类似的事情:
val appendedDF = df.withColumn("row2",somefunc(list))
df.show()
// +----+------+
// |row1 |row2 |
// +----+------+
// |a |4 |
// |b |5 |
// |c |10 |
// |d |7 |
// |e |2 |
// +----+------+
对于任何想法,我都会很高兴,我的 dataframe 实际上包含更多列。
你可以这样做:
import org.apache.spark.sql.Row
import org.apache.spark.sql.types._
// create rdd from the list
val rdd = sc.parallelize(List(4,5,10,7,2))
// rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[31] at parallelize at <console>:28
// zip the data frame with rdd
val rdd_new = df.rdd.zip(rdd).map(r => Row.fromSeq(r._1.toSeq ++ Seq(r._2)))
// rdd_new: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[33] at map at <console>:32
// create a new data frame from the rdd_new with modified schema
spark.createDataFrame(rdd_new, df.schema.add("new_col", IntegerType)).show
+----+-------+
|row1|new_col|
+----+-------+
| a| 4|
| b| 5|
| c| 10|
| d| 7|
| e| 2|
+----+-------+
添加完整性:输入list
(存在于驱动程序内存中)与DataFrame
具有相同大小的DataFrame
表明这是一个小的 DataFrame 开始 - 所以你可以考虑collect()
-ing 它,用list
压缩,并在需要时转换回DataFrame
:
df.collect()
.map(_.getAs[String]("row1"))
.zip(list).toList
.toDF("row1", "row2")
这不会更快,但如果数据真的很小,它可能可以忽略不计,并且代码(可以说)更清晰。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.