PySpark "взорвать" диктовать в столбце - PullRequest
Новая
       29

PySpark "взорвать" диктовать в столбце

0 голосов
/ 04 июня 2018

У меня есть столбец 'true_recoms' в искровом фрейме данных: 

-RECORD 17----------------------------------------------------------------- 
item        | 20380109                                                                                                                                                                  
true_recoms | {"5556867":1,"5801144":5,"7397596":21}

Мне нужно «взорвать» этот столбец, чтобы получить что-то вроде этого: 

item        | 20380109                                                                                                                                                                  
recom_item  | 5556867
recom_cnt   | 1
..............
item        | 20380109                                                                                                                                                                  
recom_item  | 5801144
recom_cnt   | 5
..............
item        | 20380109                                                                                                                                                                  
recom_item  | 7397596
recom_cnt   | 21

Я пробовалиспользовать from_json, но он не работает: 

    schema_json = StructType(fields=[
        StructField("item", StringType()),
        StructField("recoms", StringType())
    ])
    df.select(col("true_recoms"),from_json(col("true_recoms"), schema_json)).show(5)

+--------+--------------------+------+
|    item|         true_recoms|true_r|
+--------+--------------------+------+
|31746548|{"32731749":3,"31...|   [,]|
|17359322|{"17359392":1,"17...|   [,]|
|31480894|{"31480598":1,"31...|   [,]|
| 7265665|{"7265891":1,"503...|   [,]|
|31350949|{"32218698":1,"31...|   [,]|
+--------+--------------------+------+
only showing top 5 rows

1 Ответ

0 голосов
/ 04 июня 2018

Схема неверно определена.Вы объявляете как struct с двумя строковыми полями

  • item
  • recoms

, хотя ни одно поле не присутствует в документе,

К сожалению, from_json может возвращать только структуры или массивы структур, поэтому переопределить его как 

MapType(StringType(), LongType())

невозможно.

Лично я бы использовал udf

from pyspark.sql.functions import udf, explode
import json

@udf("map<string, bigint>")
def parse(s):
    try:
        return json.loads(s)
    except json.JSONDecodeError:
        pass

, которые можно применять вот так 

df = spark.createDataFrame(
    [(31746548, """{"5556867":1,"5801144":5,"7397596":21}""")],
    ("item", "true_recoms")
)

df.select("item",  explode(parse("true_recoms")).alias("recom_item", "recom_cnt")).show()
# +--------+----------+---------+
# |    item|recom_item|recom_cnt|
# +--------+----------+---------+
# |31746548|   5801144|        5|
# |31746548|   7397596|       21|
# |31746548|   5556867|        1|
# +--------+----------+---------+
...