столбцы изменения фрейма данных pyspark

Question

У меня есть входной фрейм данных, как показано ниже, где входные столбцы являются динамическими c, то есть это может быть n чисел - как от input1 до input2

+----+----+-------+------+------+
|dim1|dim2|  byvar|input1|input2|
+----+----+-------+------+------+
| 101| 102|MTD0001|     1|    10|
| 101| 102|MTD0002|     2|    12|
| 101| 102|MTD0003|     3|    13|

Хотел изменить столбцы, как показано ниже, как это возможно?

+----+----+-------+----------+------+
|dim1|dim2|  byvar|TRAMS_NAME|values|
+----+----+-------+----------+------+
| 101| 102|MTD0001|    input1|     1|
| 101| 102|MTD0001|    input2|    10|
| 101| 102|MTD0002|    input1|     2|
| 101| 102|MTD0002|    input2|    12|
| 101| 102|MTD0003|    input1|     3|
| 101| 102|MTD0003|    input2|    13|

Я использовал метод create_map spark, но это жестко запрограммированный способ сделать это. Любой другой способ добиться того же ??

Answer 1

Вот еще одно решение вашей проблемы с использованием функции stack (). Это может быть немного проще, конечно, с ограничением, что вы должны явно указывать имена столбцов.

Надеюсь, это поможет!

# set your dataframe
df = spark.createDataFrame(
    [(101, 102, 'MTD0001', 1, 10),
     (101, 102, 'MTD0002', 2, 12),
     (101, 102, 'MTD0003', 3, 13)],
    ['dim1', 'dim2', 'byvar', 'v1', 'v2']
)

df.show()
+----+----+-------+---+---+
|dim1|dim2|  byvar| v1| v2|
+----+----+-------+---+---+
| 101| 102|MTD0001|  1| 10|
| 101| 102|MTD0002|  2| 12|
| 101| 102|MTD0003|  3| 13|
+----+----+-------+---+---+

result = df.selectExpr('dim1', 
                       'dim2', 
                       'byvar', 
                       "stack(2, 'v1', v1, 'v2', v2) as (names, values)")
result.show()
+----+----+-------+-----+------+
|dim1|dim2|  byvar|names|values|
+----+----+-------+-----+------+
| 101| 102|MTD0001|   v1|     1|
| 101| 102|MTD0001|   v2|    10|
| 101| 102|MTD0002|   v1|     2|
| 101| 102|MTD0002|   v2|    12|
| 101| 102|MTD0003|   v1|     3|
| 101| 102|MTD0003|   v2|    13|
+----+----+-------+-----+------+

Если мы хотим динамически установить столбцы в стек, мы просто необходимо установить неизмененные столбцы, в вашем примере это dim1 , dim2 и byvar и создать предложение стека, используя for-l oop.

# set static columns
unaltered_cols = ['dim1', 'dim2', 'byvar']
# extract columns to stack
change_cols = [n for n in df.schema.names if not n in unaltered_cols]
cols_exp = ",".join(["'" + n + "'," + n for n in change_cols])
# create stack sentence
stack_exp = "stack(" + str(len(change_cols)) +',' + cols_exp + ") as (names, values)"
# print final expression
print(stack_exp)
# --> stack(2,'v1',v1,'v2',v2) as (names, values)

# apply transformation
result = df.selectExpr('dim1', 
                       'dim2', 
                       'byvar', 
                       stack_exp)
result.show()
+----+----+-------+-----+------+
|dim1|dim2|  byvar|names|values|
+----+----+-------+-----+------+
| 101| 102|MTD0001|   v1|     1|
| 101| 102|MTD0001|   v2|    10|
| 101| 102|MTD0002|   v1|     2|
| 101| 102|MTD0002|   v2|    12|
| 101| 102|MTD0003|   v1|     3|
| 101| 102|MTD0003|   v2|    13|
+----+----+-------+-----+------+

Если мы запустим тот же код, но с другим фреймом данных, вы получите желаемый результат.

df = spark.createDataFrame(
    [(101, 102, 'MTD0001', 1, 10, 4),
     (101, 102, 'MTD0002', 2, 12, 5),
     (101, 102, 'MTD0003', 3, 13, 5)],
    ['dim1', 'dim2', 'byvar', 'v1', 'v2', 'v3']
)
# Re-run the code to create the stack_exp before!
result = df.selectExpr('dim1', 
                       'dim2', 
                       'byvar', 
                       stack_exp)
result.show()
+----+----+-------+-----+------+
|dim1|dim2|  byvar|names|values|
+----+----+-------+-----+------+
| 101| 102|MTD0001|   v1|     1|
| 101| 102|MTD0001|   v2|    10|
| 101| 102|MTD0001|   v3|     4|
| 101| 102|MTD0002|   v1|     2|
| 101| 102|MTD0002|   v2|    12|
| 101| 102|MTD0002|   v3|     5|
| 101| 102|MTD0003|   v1|     3|
| 101| 102|MTD0003|   v2|    13|
| 101| 102|MTD0003|   v3|     5|
+----+----+-------+-----+------+

Answer 2

Sample DataFrame:

df.show() #added more columns to show code is dynamic
+----+----+-------+------+------+------+------+------+------+
|dim1|dim2|  byvar|input1|input2|input3|input4|input5|input6|
+----+----+-------+------+------+------+------+------+------+
| 101| 102|MTD0001|     1|    10|     3|     6|    10|    13|
| 101| 102|MTD0002|     2|    12|     4|     8|    11|    14|
| 101| 102|MTD0003|     3|    13|     5|     9|    12|    15|
+----+----+-------+------+------+------+------+------+------+

Для Spark2.4+ вы можете сделать это динамически, используя explode, arrays_zip, array и element_at, чтобы получить 2 столбца. Это будет работать до тех пор, пока ваши входные столбцы имеют имена, начинающиеся с 'input'

from pyspark.sql import functions as F
df.withColumn("vals",\
F.explode(F.arrays_zip(F.array([F.array(F.lit(x),F.col(x)) for x in df.columns if x!=['dim1','dim2','byvar']]))))\
.select("dim1", "dim2","byvar","vals.*").withColumn("TRAMS_NAME", F.element_at("0",1))\
                                                    .withColumn("VALUES", F.element_at("0",2)).drop("0").show()

+----+----+-------+----------+------+
|dim1|dim2|  byvar|TRAMS_NAME|VALUES|
+----+----+-------+----------+------+
| 101| 102|MTD0001|    input1|     1|
| 101| 102|MTD0001|    input2|    10|
| 101| 102|MTD0001|    input3|     3|
| 101| 102|MTD0001|    input4|     6|
| 101| 102|MTD0001|    input5|    10|
| 101| 102|MTD0001|    input6|    13|
| 101| 102|MTD0002|    input1|     2|
| 101| 102|MTD0002|    input2|    12|
| 101| 102|MTD0002|    input3|     4|
| 101| 102|MTD0002|    input4|     8|
| 101| 102|MTD0002|    input5|    11|
| 101| 102|MTD0002|    input6|    14|
| 101| 102|MTD0003|    input1|     3|
| 101| 102|MTD0003|    input2|    13|
| 101| 102|MTD0003|    input3|     5|
| 101| 102|MTD0003|    input4|     9|
| 101| 102|MTD0003|    input5|    12|
| 101| 102|MTD0003|    input6|    15|
+----+----+-------+----------+------+