PySpark：基于数据框中具有UUID的列添加新列

Question

:)

我正在处理一个巨大的数据集（数据框），我想公开显示该数据集，我想对该数据进行匿名处理 ，所以我不想像用户使用新的UUID那样使用带有字符串的新列：

用户1，用户2，用户3，

显然对应于另一列中的ID 。

我不能在其他情况下使用它们，因为df有超过一千种不同的uuids 。

因此，最终结果应如下所示：

| UUID | User | |uuid1 |user1 | |uuid1 |user1 | |uuid2 |user2 | |uuid3 |user3 |

我尝试编写一个函数，以在每次更改uuid时递增用户“名称”中的数字，但是，如果您还有其他简单的想法，请告诉我！ :)

Answer 1

一个可能的解决方案是这样的：

from pyspark.sql.functions import *
df1 = spark.createDataFrame([("uuid1",),("uuid1",),("uuid2",),("uuid3",)], ["UUID"])
df2 = df1.distinct().withColumn("User",concat(lit("User"),\
row_number().over(Window.orderBy("UUID"))))


df1.join(df2,["UUID"]).show()

它采用您的数据框并创建所有用户的独特列表。 然后，在按UUID对列表进行排序之后，将创建另一列，其中包含字符串“ User”和适当的行号。 因此，您的用户名越来越多，例如user1，user2，user3，...

输出：

+-----+-----+
| UUID| User|
+-----+-----+
|uuid3|User3|
|uuid1|User1|
|uuid1|User1|
|uuid2|User2|
+-----+-----+