[英]Tokenizing and ranking a string column into multiple columns in PySpark
我有一个 PySpark 数据框,它有一个字符串列,其中包含一个逗号分隔的未排序值列表(最多 5 个值),如下所示:
+----+----------------------+
|col1|col2 |
+----+----------------------+
|1 | 'b1, a1, c1' |
|2 | 'a2, b2' |
|3 | 'e3, d3, a3, c3, b3' |
+----+----------------------+
我想对col2
进行标记,然后根据标准对它们进行排名,并从col2
创建 5 个新的不同列,如果标记化返回的值少于 5 个,则可能使用空值。 排序很简单:如果令牌在 set1 中,则将其放在第一个新列(col3)中,否则如果它在 set2 中,则将其放在第二个新列(col4)中,依此类推。
让我们说:
set1 = ['a1', 'a2', 'a3', 'a4', 'a5'],
set2 = ['b1', 'b2', 'b3', 'b4', 'b5'],
set3 = ['c1', 'c2', 'c3', 'c4', 'c5'],
set4 = ['d1', 'd2', 'd3', 'd4', 'd5'],
set5 = ['e1', 'e2', 'e3', 'e4', 'e5']
然后对上面的数据框应用更改将产生以下数据框:
+----+----+----+----+----+----+
|col1|col3|col4|col5|col6|col7|
+----+----+----+----+----+----+
|1 |'a1'|'b1'|'c1'|null|null|
|2 |'a2'|'b2'|null|null|null|
|3 |'a3'|'b3'|'c3'|'d3'|'e3'|
+----+----+----+----+----+----+
我知道如何进行标记化:
df.withColumn('col2', split('col2', ', ')) \
.select(col('col1'), *[col('col2')[i].alias('col' + str(i + 3)) for i in range(0, 5)]) \
.show()
但在创建新列之前无法弄清楚如何执行排名。 任何帮助将非常感激。
我为此找到了解决方案。 我们可以使用 udf 根据集合对该列中的字符串列表进行排序。 然后在 udf 函数之上应用标记化并从中创建不同的列。
set1 = set(['a1', 'a2', 'a3', 'a4', 'a5'])
set2 = set(['b1', 'b2', 'b3', 'b4', 'b5'])
set3 = set(['c1', 'c2', 'c3', 'c4', 'c5'])
set4 = set(['d1', 'd2', 'd3', 'd4', 'd5'])
set5 = set(['e1', 'e2', 'e3', 'e4', 'e5'])
def sortCategories(x):
resultArray = ['unknown' for i in range(5)]
tokens = x.split(',')
for token in tokens:
if token in set1:
resultArray[0] = token
elif token in set2:
resultArray[1] = token
elif token in set3:
resultArray[2] = token
elif token in set4:
resultArray[3] = token
elif token in set5:
resultArray[4] = token
return ','.join(resultArray)
from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
orderUdfString = udf(lambda s: sortCategories(s), StringType())
df = df.withColumn('col2', orderUdfString('col2'))
df = df.withColumn('col_temp', split('col2', ',')) \
.select([col(c) for c in df.columns] + [col('col_temp')[i].alias('col' + str(i + 1)) for i in range(0, 5)])
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.