在 for 循環中使用 udf 在 Pyspark 中創建多個列

Question

我有一個帶有一些列（col1、col2、col3、col4、col5...直到 32）的 spark dataframe 現在我創建了一個 function (udf)，它采用 2 個輸入參數並返回一些浮點值。

現在我想使用上面的 function 創建新列（按升序排列，如 col33、col32、col33、col34..），其中一個參數遞增，其他參數不變

def fun(col1,col2):
   if true:
      do someting
   else:
      do someting

我已將此 function 轉換為 udf

udf_func = udf(fun,Floatype())

現在我想使用這個 function 在 dataframe 中創建新列，該怎么做？

我試過

for i in range(1,5):
   BS.withColumns("some_name with increasing number like abc_1,abc_2",udf_func(col1<this should be col1,col2..till 4>,col6<this is fixed>

如何在PySpark中實現這一點？

Answer 1

您一次只能使用withColumn創建一列，因此我們必須多次調用它。

# We set up the problem
columns = ["col1", "col2", "col3"]
data = [(1, 2, 3), (4, 5, 6), (7, 8, 9)]
rdd = spark.sparkContext.parallelize(data)
df = rdd.toDF(columns)

df.show()
#+----+----+----+
#|col1|col2|col3|
#+----+----+----+
#|   1|   2|   3|
#|   4|   5|   6|
#|   7|   8|   9|
#+----+----+----+

由於您的條件基於 if-else 條件，因此您可以使用when和otherwise在每次迭代中執行邏輯。 由於我不知道你的用例，我檢查了一個簡單的條件，如果colX是偶數，我們將它添加到 col3，如果是奇數，我們減去。

我們根據列名末尾的數字加上列數（在我們的例子中為 3）在每次迭代中創建一個新列，以生成 4、5、6。

# You'll need a function to extract the number at the end of the column name
import re
def get_trailing_number(s):
  m = re.search(r'\d+$', s)
  return int(m.group()) if m else None

from pyspark.sql.functions import col, when
from pyspark.sql.types import FloatType
rich_df = df
for i in df.columns:
  rich_df = rich_df.withColumn(f'col{get_trailing_number(i) + 3}', \
   when(col(i) % 2 == 0, col(i) + col("col3"))\
   .otherwise(col(i) - col("col3")).cast(FloatType()))

rich_df.show()
#+----+----+----+----+----+----+
#|col1|col2|col3|col4|col5|col6|
#+----+----+----+----+----+----+
#|   1|   2|   3|-2.0| 5.0| 0.0|
#|   4|   5|   6|10.0|-1.0|12.0|
#|   7|   8|   9|-2.0|17.0| 0.0|
#+----+----+----+----+----+----+

這是 function 的 UDF 版本

def func(col, constant):
  if (col % 2 == 0):
    return float(col + constant)
  else:
    return float(col - constant)

func_udf = udf(lambda col, constant: func(col, constant), FloatType())

rich_df = df
for i in df.columns:
  rich_df = rich_df.withColumn(f'col{get_trailing_number(i) + 3}', \
                               func_udf(col(i), col("col3")))

rich_df.show()
#+----+----+----+----+----+----+
#|col1|col2|col3|col4|col5|col6|
#+----+----+----+----+----+----+
#|   1|   2|   3|-2.0| 5.0| 0.0|
#|   4|   5|   6|10.0|-1.0|12.0|
#|   7|   8|   9|-2.0|17.0| 0.0|
#+----+----+----+----+----+----+

在不了解您要做什么的情況下很難說更多。