[英]Add a new column to a PySpark DataFrame from a Python list
我有一个清单:
dates = [2017, 2018, 2018, 2018, 2019, 2019, 2019, 2020, 2020, 2020]
我尝试添加的 dataframe 长度相同(没有问题)。
我试过了:
df = df.withColumn("YEARS", dates)
Error: Column needs to be col
我也试过:
df = df.withColumn("YEARS", f.lit(dates))
但这也行不通。
我看到了这个问题: How to add a constant column in a Spark DataFrame?
但是对于这种情况没有任何用处。
更新:预期的结果是:
df_columns... | dates_from_list
---------------------------------
original_df_data| 2017
original_df_data| 2018
original_df_data| 2018
original_df_data| 2018
original_df_data| 2019
original_df_data| 2019
original_df_data| 2019
original_df_data| 2020
original_df_data| 2020
original_df_data| 2020
您的错误来自您需要将Column
object 传递给withColumn
的事实。
这里有两种方法可以将日期添加为 Spark DataFrame
上的新列(使用每个记录的顺序进行连接),具体取决于日期数据的大小。
实现它的一种简洁方法是将 UDF 应用于单调递增的 id:
from pyspark.sql.functions import udf, monotonically_increasing_id
df = [...] # 10 records
dates = [2017, 2018, 2018, 2018, 2019, 2019, 2019, 2020, 2020, 2020]
df = df.repartition(1).withColumn(
"YEARS",
udf(lambda id: dates[id])(monotonically_increasing_id()))
df.show()
输出:
+---+-----+
|...|YEARS|
+---+-----+
|...| 2017|
|...| 2018|
|...| 2018|
|...| 2018|
|...| 2019|
|...| 2019|
|...| 2019|
|...| 2020|
|...| 2020|
|...| 2020|
+---+-----+
注意: .repartition(1)
确保生成的 id 是连续的。 如果您有另一种方法将 map 每个记录转换为dates
值(如先前构建的 id 列),则可以避免重新分区到单个分区。 在这个用例中,正如我们预期的 Python 列表 object 很小,这意味着您的 DataFrame 也很小,所以这个重新分区不是什么大问题。
/!\ 如果 dataframe 和 python 列表太大,为什么它不会扩展:
.repartition(1)
可能会导致生成一个非常大的分区,该分区的处理速度可能非常慢(因为它很大,而且如果它不适合执行 memory 它可能意味着许多额外的磁盘 I/O 会溢出 RDD块到磁盘),或使用OutOfMemoryError
使作业崩溃。这是另一种方法,可以通过使用 pandas 操作 id 和日期列来更好地处理数百万行,并避免对 Spark DataFrame
进行任何重新分区。
可以这样做:
import pandas as pd
from pyspark.sql.functions import monotonically_increasing_id
from pyspark.sql.session import SparkSession
spark = SparkSession.builder.getOrCreate()
# some spark DataFrame of length N
df = [...]
# generate monotically increasing ids (not consecutive) without repartitioning the Spark DataFrame.
df = df.withColumn("id", monotonically_increasing_id())
# get generated ids (not consecutive) as a mono-column pandas DataFrame
spark_df_ids = df.select("id").toPandas()
# some python list of length N
dates = [2017, 2018, 2018, 2018, 2019, ..., 2019, 2019, 2020, 2020, 2020]
# build pandas DataFrame from dates
dates_pandas_df = pd.DataFrame(dates, columns=["YEARS"])
# append the id column to the dates in pandas
dates_and_ids_pandas_df = dates_pandas_df.join(spark_df_ids)
# convert from pandas DataFrame to spark DataFrame
dates_and_ids_spark_df = spark.createDataFrame(dates_and_ids_pandas_df)
# Perform the final adding of the dates column to the Spark DataFrame with a join in Spark
df.join(dates_and_ids_spark_df, ["id"]).show()
重要提示: 使用 Apache 箭头可以更快地从和到 pandas 的转换
你可以试试这个:
dates = [2017, 2018, 2018, 2018, 2019, 2019, 2019, 2020, 2020, 2020]
df = spark.createDataFrame([Row(a=1)])
df = df.withColumn("YEARS", array( [lit(x) for x in dates] ))
df.show(truncate=False)
+---+------------------------------------------------------------+
|a |YEARS |
+---+------------------------------------------------------------+
|1 |[2017, 2018, 2018, 2018, 2019, 2019, 2019, 2020, 2020, 2020]|
+---+------------------------------------------------------------+
df.select("a", explode("YEARS")).show()
+---+----+
| a| col|
+---+----+
| 1|2017|
| 1|2018|
| 1|2018|
| 1|2018|
| 1|2019|
| 1|2019|
| 1|2019|
| 1|2020|
| 1|2020|
| 1|2020|
+---+----+
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.