Pyspark 基於另一個 dataframe 替換數組列上的值

Question

我有兩個數據框，一個只是帶有一些具有關聯names的唯一ids ，如下所示：

Id name
0 name_a
1 name_b
2 name_c

第二個 dataframe 包含存儲在數組中的第一個 dataframe 的 id，在每一行中：

Row_1 row_2
0 [0,2]
1 [1,0]

我的問題是可以從第二個 dataframe 替換 arrays ，因此它會根據ids檢查第一個 df 的names ，所以：

Row_1 row_2
0 [name_a, name_c]
1 [name_b, name_a]

創建第一個 df 的 map 並使用 udf 將其添加到第二個 df 似乎太耗時了。 非常感謝任何有關如何解決此問題的幫助。

Answer 1

您可以嘗試使用explode function 將數組轉換為行，然后將數據與初始數據框連接起來，在最后一步通過 &.agg(collect_list()) 進行分組

from pyspark.sql.functions import explode

df3 = df2.select(df2.row_1,explode(df2.row_2))
df4 = df3.join(df1,df3.row_1==df1.Id).select(df3.row_1,df1.name)
df5 = df4.groupBy('row_1').agg(collect_list('name').alias('name'))

參考鏈接：

1. https://sparkbyexamples.com/pyspark/pyspark-explode-array-and-map-columns-to-rows/#:~:text=explode%20%E2%80%93%20PySpark%20explode%20array%20或，它%20包含%20all%20array%20elements 。
2. https://www.owenrumney.co.uk/pyspark-opposite-of-explode/

Answer 2

使用array_contains function + groupby 和collect_list加入：

from pyspark.sql import functions as F

df1 = spark.createDataFrame([(0, "name_a"), (1, "name_b"), (2, "name_c")], ["Id", "name"])
df2 = spark.createDataFrame([(0, [0, 2]), (1, [1, 0])], ["Row_1", "Row_2"])

result = df2.join(
    df1, on=F.array_contains("Row_2", F.col("Id")), how="left"
).groupBy("Row_1").agg(
    F.collect_list("name").alias("Row_2")
)

result.show()
#+-----+----------------+
#|Row_1|           Row_2|
#+-----+----------------+
#|    0|[name_a, name_c]|
#|    1|[name_a, name_b]|
#+-----+----------------+