pyspark?dataframe列的合并與拆分方法是什么

這篇文章主要介紹了pyspark dataframe列的合并與拆分方法是什么的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇pyspark dataframe列的合并與拆分方法是什么文章都會有所收獲，下面我們一起來看看吧。

pyspark dataframe列的合并與拆分

使用Spark SQL在對數據進行處理的過程中，可能會遇到對一列數據拆分為多列，或者把多列數據合并為一列。

這里記錄一下目前想到的對DataFrame列數據進行合并和拆分的幾種方法。

from pyspark.sql import SparkSession
spark = SparkSession.builder \
    .master("local") \
    .appName("dataframe_split") \
    .config("spark.some.config.option", "some-value") \
    .getOrCreate()
 
sc = spark.sparkContext
df = spark.read.csv('hdfs://master:9000/dataset/dataframe_split.csv', inferSchema=True, header=True)
df.show(3)

原始數據如下所示

dataframe列數據的分割

from pyspark.sql.functions import split, explode, concat, concat_ws
df_split = df.withColumn("s", split(df['score'], " "))
df_split.show()

dataframe列數據的拆分

zipWithIndex:給每個元素生成一個索引　

排序首先基于分區索引，然后是每個分區內的項目順序．因此，第一個分區中的第一個item索引為０，最后一個分區中的最后一個item的索引最大．當RDD包含多個分區時此方法需要觸發spark作業．

first_row = df.first()
numAttrs = len(first_row['score'].split(" "))
print("新增列的個數", numAttrs)
attrs = sc.parallelize(["score_" + str(i) for i in range(numAttrs)]).zipWithIndex().collect()
print("列名：", attrs)
for name, index in attrs:
    df_split = df_split.withColumn(name, df_split['s'].getItem(index))
df_split.show()

dataframe將一行分成多行

df_explode = df.withColumn("e", explode(split(df['score'], " ")))
df_explode.show()

dataframe列數據的合并

列的合并有兩個函數：一個不添加分隔符concat()，一個添加分隔符concat_ws()

concat

df_concat = df_split.withColumn("score_concat", concat(df_split['score_0'], \
                                                       df_split['score_1'], df_split['score_2'], df_split['score_3']))
df_concat.show()

caoncat_ws

df_ws = df_split.withColumn("score_concat", concat_ws('-', df_split['score_0'], \
                                                       df_split['score_1'], df_split['score_2'], df_split['score_3']))
df_ws.show()

dataframe多行轉多列

pivot: 旋轉當前[[dataframe]]列并執行指定的聚合 

#DataFrame 數據格式:每個用戶對每部電影的評分 userID 用戶ID,movieID 電影ID,rating評分
df=spark.sparkContext.parallelize([[15,399,2], \
                                   [15,1401,5], \
                                   [15,1608,4], \
                                   [15,20,4], \
                                   [18,100,3], \
                                   [18,1401,3], \
                                   [18,399,1]])\
                    .toDF(["userID","movieID","rating"])
#pivot 多行轉多列
resultDF = df.groupBy("userID").pivot("movieID").sum("rating").na.fill(-1)
#結果
resultDF.show()

pyspark dataframe常用操作

總體原則

pyspark中，dataframe與sql的耗時會經引擎優化，效率高于rdd，因此盡可能使用dataframe或者sql。執行效率之外，dataframe優于rdd的另一個好處是：dataframe的各個量有語義信息，便于后期維護。比如rdd[0][1][1]這種很難維護，但是，df.info.school.grade就容易理解。

在使用dataframe過程中，應盡量避免使用udf，因為序列化數據原本在JVM中，現在spark在worker上啟動一個Python進程，需要將全體數據序列化成python可解釋的格式，計算昂貴。

列相關

根據已有列生成新列

from pyspark.sql.functions import length, col, lit, size
df.withColumn("length_col", length(col("existing_str_col"))) # 將existing_str_col的長度生成新列
df.withColumn("constant_col", lit("hello")) # 生成一列常量
df.withColumn("size_col", size(col("existing_array_col"))) # 將existing_array_col的元素個數生成新列

從已有列選擇部分列

from pyspark.sql.functions import col
df = df.select(col("col_1").cast("string"), col("col_2").alias("col_2_")) # 選擇col_1列和col_2列，并將col_1列轉換為string格式，將col_2列重命名為col_2_,此時不再存在col_2

將幾列連接起來形成新列

from pyspark.sql.functions import concat_ws
 
df = df.withColumn("concat_col", concat_ws("_", df.col_1, df.col_2)) # 使用_將col_1和col_2連接起來，構成新列concat_col

將string列分割成list

from pyspark.sql.functions import split
 
df = df.withColumn("split_col", split(df.col, "-")) #按照-將df中的col列分割，此時split_col時一個list，后續或者配合filter(length(...))使用

統計列均值

from pyspark.sql.functions import mean
 
col_mean = df.select(mean(col)).collect()[0][0]

行相關

從全體行中選擇部分行（一般調試時使用）

print(df.take(5)) #交互式的pyspark shell中，等價于df.show(5)

統計行數量

print(df.count()) #統計行數量

從全體行中篩選出部分行

from pyspark.sql.functions import col
df = df.filter(col("col_1")==col("col_2")) #保留col_1等于col_2的行

刪除帶null的行

df.na.drop("all") # 只有當所有列都為空時，刪除該行
df.na.drop("any") # 任意列為空時，刪除該行
df.na.drop("all", colsubset=["col_1","col_2"]) # 當col_1和col_2都為空時，刪除該行

去除重復行

df = df.distinct() # 刪除所有列值相同的重復行
df = df.dropDuplicates(["date", "count"]) # 刪除date, count兩列值相同的行

一行拆分成多行

from pyspark.sql.functions import explode, split
 
df = df.withColumn("sub_str", explode(split(df["str_col"], "_"))) # 將str_col按-拆分成list，list中的每一個元素成為sub_str,與原行中的其他列一起組成新的行

填補行中的空值

df.na.fill({"col_name":fill_content}) # 用fill_content填補col_name列的空值

行前加入遞增（不一定連續）唯一序號

from pyspark.sql.functions import monotonically_increasing_id
 
df = df.withColumn("id", monotonically_increasing_id())

兩個dataframe

兩個dataframe根據某列拼接

df_3 = df_1.join(df_2, df_1.col_1==df_2.col_2) # inner join, 只有當df_1中的col_1列值等于df_2中的col_2時，才會拼接
df_4 = df_1.join(df_2, df_1.col_1==df_2.col_2, "left") # left join, 當df_1中的col_1值不存在于df_2中時，仍會拼接，憑借值填充null

兩個dataframe合并

df3 = df1.union(df2)

聚合操作

groupBy
from pyspark.sql.functions import concat_ws, split, explode, collect_list, struct
 
concat_df = concat_df.groupBy("sample_id", "sample_date").agg(collect_list('feature').alias("feature_list")) # 將同sample_id, sample_date的行聚合成組，feature字段拼成一個list，構成新列feature_list。agg配合groupBy使用，效果等于select。此時concat_df只有兩列：sample_id和feature_list。
concat_tuple_df = concat_df.groupBy("sample_id", "sample_date").agg(collect_list(struct("feature", "owner")).alias("tuple")) # 將同sample_id, sample_date的行聚合成組， (feature, owner)兩個字段拼成一個單位，組內所有單位拼成一個list，構成新列tuple

窗口函數

from pyspark.sql.window import Window
from pyspark.sql.functions import col, row_number
 
windowSpec = Window.partitionBy(df.id, df.date).orderBy(col("price").desc(), col("discount").asc()) # 相同id,date的行被聚成組，組內按照price降序，discount升序進行排列
df = df.withColumn("rank", row_number().over(windowSpec)) #為排序之后的組進行組內編號
df = df.filter(df.rank<=1) # 取組內top-1行

讀寫成csv

from pyspark.sql import SparkSession
from pyspark import SparkContext
 
sc = SparkContext(appName="test_rw")
sc_session = SparkSession(sc)
df.write.mode("overwrite").options(header="true").csv(output_path)
df = sc_session.csv.read(input_path, header=True)

dataframe轉SQL

from pyspark import SparkContext
from pyspark.sql import SparkSession
 
sc = SparkContext(appName='get_sample')
sc_session = SparkSession(sc)
 
sample_df.createOrReplaceTempView("item_sample_df")
sample_df = sc_session.sql(
        '''
            select sample_id
                ,label
                ,type_ as type
                ,split(item_id, "_")[2] as owner
                ,ftime
            from item_sample_df
        ''')

自定義函數UDF（如非必要，勿用）

from pysprak.sql.functions import udf, col
from pyspark.sql.types import StringType, ArrayType, StructField, StructType
 
 
def simple_func(v1, v2):
    pass
    # return str
 
simple_udf = udf(my_func, StringType())
 
df = df.withColumn("new", simple_udf(df["col_1"], df["col_2"]))
 
 
 
# 復雜type
 
def get_entity_func():
    pass
    # return str_list_1, str_list_2
 
entity_schema = StructType([
                    StructField("location", ArrayType(StringType()), True),
                    StructField("nondigit", ArrayType(StringType()), True)
                ])
 
get_entity_udf = udf(get_entity_func, entity_schema)

dataframe與rdd互相轉換

from pyspark import SparkContext
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType, StructField, StringType, FloatType
 
 
sc = SparkContext(appName="rdd2df")
sc_session = SparkSession(sc)
 
rdd = df.rdd # df轉rdd, 注意每列仍帶header，要map(lambda line: [line.id, line.price])才可以轉換成不帶header
 
schema = StructType([
                    StructField("id", StringType(), True),
                    StructField("price", FloatType(), True)
                    ])
df = sc_session.createDataFrame(rdd, schema) # rdd轉df

關于“pyspark dataframe列的合并與拆分方法是什么”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“pyspark dataframe列的合并與拆分方法是什么”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。