Как использовать приведение к нескольким столбцам, имена которых соответствуют определенным критериям - PullRequest
Новая
       4

Как использовать приведение к нескольким столбцам, имена которых соответствуют определенным критериям

0 голосов
/ 04 марта 2020

В моем фрейме данных мне нужно изменить тип данных в нескольких столбцах на long. Код ниже дает мне нулевые значения. Как это исправить?

введите описание изображения здесь 

df.select(*(F.col(x).cast("long").alias(x) for x in df.columns if x.startswith('fib_')))\
.withColumn("Fib", F.greatest(*[x for x in df.columns if x.startswith('fib_')])).show()

1 Ответ

0 голосов
/ 05 марта 2020

С воспроизводимым примером 

import pyspark.sql.functions as F
from pyspark.sql.types import StructType, StructField, StringType
data = [(1, 1, 0, 0, 2, 0), (0, 0, 0, 2, 0, 1), (0, 0, 1, 0, 0, 1), (2, 0, 1, 0, 0, 0), (0, 0, 0, 0, 0, 0)]
schema = StructType([
    StructField("Fib_12", StringType()),
    StructField("Fib_13", StringType()),
    StructField("Fib_14", StringType()),
    StructField("Fib_15", StringType()),
    StructField("Fib_16", StringType()),
    StructField("Fib_17", StringType()),
])
df = spark.createDataFrame(data, schema=schema)
df
# DataFrame[Fib_12: string, Fib_13: string, Fib_14: string, Fib_15: string, Fib_16: string, Fib_17: string]

Решение с объяснением.
В опубликованном вами примере DataFrame были имена столбцов, такие как FibNN, тогда как для сопоставления используется строковый шаблон fib_. Таким образом, я изменил пример данных, чтобы иметь имена столбцов, такие как Fib_NN и использовать re.match и шаблон регулярного выражения (?i)fib_, который не чувствителен к регистру. re.match возврат True для положительных регулярных выражений. (?i) делает строковый шаблон для сопоставления без учета регистра. Если вы все еще получаете значения NULL, вероятным виновником является то, что все ваши столбцы Fib_NN содержат значение NULL. 

from pyspark.sql.functions import col, greatest
import re
select_cols = [col(x).cast('long').alias(x) for x in df.columns if re.match('(?i)fib_', x)]
collect_cols = [col(x) for x in df.columns if re.match('(?i)fib_', x)]
result = (
    df.
        select(*select_cols).
        withColumn(
            'Fib_max',
            greatest(*collect_cols)
        )
)
result.show(truncate=False)
+------+------+------+------+------+------+-------+                             
|Fib_12|Fib_13|Fib_14|Fib_15|Fib_16|Fib_17|Fib_max|
+------+------+------+------+------+------+-------+
|1     |1     |0     |0     |2     |0     |2      |
|0     |0     |0     |2     |0     |1     |2      |
|0     |0     |1     |0     |0     |1     |1      |
|2     |0     |1     |0     |0     |0     |2      |
|0     |0     |0     |0     |0     |0     |0      |
+------+------+------+------+------+------+-------+
...