Question

根据以前的问题：1，2。假设我有以下数据帧：

df = spark.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], 
     ("x1", "x2", "x3"))

我想添加新列x4，但我在Python列表中有价值而不是添加到新列中，例如x4_ls = [35.0, 32.0]。有没有一种向Spark数据框添加新列的最佳方法？（注意我使用Spark 2.1）

输出应该是这样的：

## +---+---+-----+----+
## | x1| x2|   x3|  x4|
## +---+---+-----+----+
## |  1|  a| 23.0|35.0|
## |  3|  B|-23.0|32.0|
## +---+---+-----+----+

我也可以将我的列表转换为数据帧df_x4 = spark.createDataFrame([Row(**{'x4': x}) for x in x4_ls])（但我不知道如何将数据帧连接在一起）

Answer 1

我们可以在rownumbers的基础上连接如下。假设我们有两个数据帧df和df_x4：

def addrownum(df):
    dff = df.rdd.zipWithIndex().toDF(['features','rownum'])
    odf = dff.map(lambda x : tuple(x.features)+tuple([x.rownum])).toDF(df.columns+['rownum'])
    return odf

df1 = addrownum(df)
df2 = addrownum(df_x4)

outputdf = df1.join(df2,df1.rownum==df2.rownum).drop(df1.rownum).drop(df2.rownum)

## outputdf
## +---+---+-----+----+
## | x1| x2|   x3|  x4|
## +---+---+-----+----+
## |  1|  a| 23.0|35.0|
## |  3|  B|-23.0|32.0|
## +---+---+-----+----+

outputdf是您需要的输出数据框

Answer 2

感谢Gaurav Dhama给出了一个很好的答案！我用他的解决方案做了一点改动。这是我的解决方案，它在添加的新列row_num上将两个数据帧连接在一起。

from pyspark.sql import Row

def flatten_row(r):
    r_ =  r.features.asDict()
    r_.update({'row_num': r.row_num})
    return Row(**r_)

def add_row_num(df):
    df_row_num = df.rdd.zipWithIndex().toDF(['features', 'row_num'])
    df_out = df_row_num.rdd.map(lambda x : flatten_row(x)).toDF()
    return df_out

df = add_row_num(df)
df_x4 = add_row_num(df_x4)
df_concat = df.join(df_x4, on='row_num').drop('row_num')

PySpark使用新列表向dataframe添加新列

2 个答案: