[英]spark scala: add a new column that has a list as a value; the list should verify a specific condition
我有以下查询:
finvResultOutput1
.withColumn("offersAtSite",when(col("activeIOsAtSite")==="Y",
finvResultOutput1.select(col("OfferSpecification_displayLabel"),col("Site_siteId").alias("siteid"))
.where(col("Site_siteId")===col("siteid"))
.drop("siteid")
.collect()
))
我想在我的数据框中添加一个名为offersAtSite
的新列,当另一个名为activeIOsAtSite
列等于"Y"
时,应该添加此列。
这个新列的值应该是一个列表,没有重复列OfferSpecification_displayLabel
的元素,其中Site_siteId
等于我们正在迭代的行的当前Site_siteId
。
谁能给我一个更好的方法来做到这一点,因为我所做的查询花费了太多时间,我不知道它是否有效
贝娄是我想要实现的一个例子:
首先,您可以在主表上进行groupBy
然后collect_set
(集合不包含重复项):
val grouped = df.groupBy("Site_siteId").agg(collect_set("OfferSpecifications_displayLabel").as("offerAtSite"))
我们得到:
+-----------+------------------------+
|Site_siteId|offerAtSite |
+-----------+------------------------+
|site_id_3 |[site3_DL_1, site3_DL_2]|
|site_id_4 |[site4_DL_1] |
|site_id_2 |[site2_DL_1] |
|site_id_1 |[site1_DL_1, site1_DL_2]|
+-----------+------------------------+
然后,我们将我们的df
表加入grouped
并覆盖offerAtSite
以仅具有Y
值的值:
df.join(grouped, Seq("Site_siteId"), "left")
.withColumn("offerAtSite", when(col("activeIOsAtSite").equalTo("Y"), col("offerAtSite")))
最后结果:
+-----------+---------------+--------------------------------+------------------------+
|Site_siteId|activeIOsAtSite|OfferSpecifications_displayLabel|offerAtSite |
+-----------+---------------+--------------------------------+------------------------+
|site_id_3 |Y |site3_DL_1 |[site3_DL_1, site3_DL_2]|
|site_id_3 |Y |site3_DL_2 |[site3_DL_1, site3_DL_2]|
|site_id_4 |N |site4_DL_1 |null |
|site_id_2 |N |site2_DL_1 |null |
|site_id_1 |Y |site1_DL_1 |[site1_DL_1, site1_DL_2]|
|site_id_1 |Y |site1_DL_2 |[site1_DL_1, site1_DL_2]|
+-----------+---------------+--------------------------------+------------------------+
这应该会更好,祝你好运!
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.