如何将 Pyspark 数据帧标题设置为另一行？

Question

我有一个看起来像这样的数据框：

# +----+------+---------+
# |col1| col2 |  col3   |
# +----+------+---------+
# |  id| name |    val  |
# |  1 |  a01 |    X    |
# |  2 |  a02 |    Y    |
# +---+-------+---------+

我需要从中创建一个新的数据框，使用 row[1] 作为新的列标题并忽略或删除 col1、col2 等行。 新表应如下所示：

# +----+------+---------+
# | id | name |   val   |
# +----+------+---------+
# |  1 |  a01 |    X    |
# |  2 |  a02 |    Y    |
# +---+-------+---------+

列可以是可变的，因此我无法使用名称在新数据框中显式设置它们。 这不是使用熊猫 df 的。

Answer 1

假设只有一行的id在 col1 ， name在 col2 ， val在 col3 ，您可以使用以下逻辑（为了清晰和解释而进行注释）

#select the row with the header name 
header = df.filter((df['col1'] == 'id') & (df['col2'] == 'name') & (df['col3'] == 'val'))

#selecting the rest of the rows except the first one 
restDF = df.subtract(header)

#converting the header row into Row 
headerColumn = header.first()

#looping columns for renaming 
for column in restDF.columns:
    restDF = restDF.withColumnRenamed(column, headerColumn[column])

restDF.show(truncate=False)

这应该给你

+---+----+---+
|id |name|val|
+---+----+---+
|1  |a01 |X  |
|2  |a02 |Y  |
+---+----+---+

但是最好的选择是在使用sqlContext从源读取数据帧时将header 选项设置为 true来读取它

Answer 2

你试过这个吗？ 标题=真

from pyspark.sql import SparkSession
spark = SparkSession \
    .builder \
    .appName("Python Spark SQL basic example") \
    .getOrCreate()
df = spark.read.csv("TSCAINV_062020.csv",header=True)

如果标题未设置为 True，Pyspark 会将列名称设置为 _c0、_c1、_c2，并将列向下推一行。