[英]Split string column based on delimiter and create columns for each value in Pyspark
我有 1000 個包含以下格式數據的文件:
a|b|c|clm4=1|clm5=3
a|b|c|clm4=9|clm6=60|clm7=23
我想閱讀它並將其轉換為如下所示的數據幀:
clm1|clm2|clm3|clm4|clm5|clm6|clm7
a|b|c|1|3|null|null
a|b|c|9|null|60|23
我嘗試了以下方法:
files = [f for f in glob.glob(pathToFile + "/**/*.txt.gz", recursive=True)]
df = spark.read.load(files, format='csv', sep = '|', header=None)
但它給了我以下結果:
clm1, clm2, clm3, clm4, clm5
a, b, c, 1, 3
a, b, c, 9, null
對於 Spark 2.4+,您可以將文件作為單列讀取,然后按|
拆分|
. 您將獲得一個數組列,您可以使用高階函數對其進行轉換:
df.show(truncate=False)
+----------------------------+
|clm |
+----------------------------+
|a|b|c|clm4=1|clm5=3 |
|a|b|c|clm4=9|clm6=60|clm7=23|
+----------------------------+
我們使用transform
函數將我們從拆分clm
列中獲得的字符串數組轉換為結構數組。 如果存在,每個結構都包含列名(檢查字符串是否包含=
)或將其命名為clm + (i+1)
,其中i
是其位置。
transform_expr = """
transform(split(clm, '[|]'), (x, i) ->
struct(
IF(x like '%=%', substring_index(x, '=', 1), concat('clm', i+1)),
substring_index(x, '=', -1)
)
)
"""
現在使用map_from_entries
將數組轉換為映射。 最后,分解地圖並旋轉以獲得您的列
df.select("clm",
explode(map_from_entries(expr(transform_expr))).alias("col_name", "col_value")
) \
.groupby("clm").pivot('col_name').agg(first('col_value')) \
.drop("clm") \
.show(truncate=False)
給出:
+----+----+----+----+----+----+----+
|clm1|clm2|clm3|clm4|clm5|clm6|clm7|
+----+----+----+----+----+----+----+
|a |b |c |9 |null|60 |23 |
|a |b |c |1 |3 |null|null|
+----+----+----+----+----+----+----+
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.