检查给定列表中的元素是否存在于 DataFrame 的数组列中

Question

我有以下 function 适用于 pandas dataframe

def event_list(df,steps):
    df['steps_present'] =  df['labels'].apply(lambda x:all(step in x for step in steps))
    return df

DataFrame 有一个名为标签的列，其值为列表。 This function accepts dataframe and steps(which is a list) and outputs dataframe with a new column Steps present if all the elements in parameter list present in the dataframe column

value in df['labels'] =  [EBBY , ABBY , JULIE , ROBERTS]

event_list(df,['EBBY','ABBY'])将为该记录返回 True，因为 EBBY 和 ABBY 存在于 dataframe 列表列中。

我想在 pyspark 中创建一个类似的 function。

Answer 1

您可以将 function 转换为 UDF，可能如下所示，它可以工作。

from pyspark.sql.functions import lit, array

values = [(["EBBY" , "ABBY" , "JULIE" , "ROBERTS"],),
           (["EBBY" , "ABBY"],)]
columns = ['labels']
df = spark.createDataFrame(values, columns)

@udf
def event_list(column_to_test, input_values):
    return all(value in column_to_test for value in input_values)

steps = ["EBBY", "JULIE"]
df.withColumn("steps_present", event_list(df['labels'], array([lit(x) for x in steps]))).show(truncate=False)

Answer 2

您可以使用array_except检查提供的列表中的每个元素是否存在于标签列中。 如果是，则array_except结果的大小将为 0。将大小与 0 进行比较将为您提供所需的 Boolean 值。

import pyspark.sql.functions as F

def event_list(df, steps):
    return df.withColumn(
        'steps_present', 
        F.size(F.array_except(F.array(*[F.lit(l) for l in steps]), 'labels')) == 0
    )

df2 = event_list(df, ["EBBY", "ABBY"])

df2.show(truncate=False)
+----------------------------+-------------+
|labels                      |steps_present|
+----------------------------+-------------+
|[EBBY, ABBY, JULIE, ROBERTS]|true         |
|[EBBY, JULIE]               |false        |
+----------------------------+-------------+