[英]Create a new column in Pyspark which is calculated on another available column
我有一個如下的數據框:
>>> df
Name id
0 Tom 103
1 Jack 109
2 nick 9518
3 juli 1890
我想創建一個作為super_id的 ne 列,即 i) 如果 id 是 3 位數字,則 super_id 為零加上第一個整數 ii) 如果 id 是 4 位數字,則 super id 是前兩個整數。
>>> df
Name id super_id
0 Tom 103 01
1 Jack 109 01
2 nick 9518 95
3 juli 1890 18
我有以下相同的python代碼,但不確定如何將其轉換為pyspark代碼。
import pandas as pd
# initialise data of lists.
data = {'Name':['Tom', 'Jack', 'nick', 'juli'],
'id':[103, 109, 9518, 1890]}
# Creates pandas DataFrame.
df = pd.DataFrame(data)
#Create super id
df['super_id'] = df.id.astype('int').astype('str').str.zfill(4).str[0:2]
在 pyspark 中嘗試出錯
df= df.withColumn('super_id', df['id'].astype('int').astype('str').str.zfill(4).str[0:2])
您需要使用spark 函數來做到這一點:
from pyspark.sql import functions as F
df.withColumn("super_id", F.substring(F.lpad("id", 4, "0"), 0, 2)).show()
+-----+----+--------+
| name| id|super_id|
+-----+----+--------+
| Tom| 103| 01|
| jack| 109| 01|
| nick|9518| 95|
|julie|1890| 18|
+-----+----+--------+
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.