web-dev-qa-db-ja.com

空の列をSpark DataFrameに追加します

多くその他の場所 で述べたように、既存のDataFrameに新しい列を追加するのは簡単ではありません。残念ながら、特にDataFrameを使用して2つのunionAllsを連結しようとする場合、(分散環境では非効率的ですが)この機能を使用することが重要です。

null列をDataFrameに追加してunionAllを容易にする最もエレガントな回避策は何ですか?

私のバージョンは次のようになります:

from pyspark.sql.types import StringType
from pyspark.sql.functions import UserDefinedFunction
to_none = UserDefinedFunction(lambda x: None, StringType())
new_df = old_df.withColumn('new_column', to_none(df_old['any_col_from_old']))
25
architectonic

ここで必要なのは、リテラルとキャストだけです:

from pyspark.sql.functions import lit

new_df = old_df.withColumn('new_column', lit(None).cast(StringType()))

完全な例:

df = sc.parallelize([row(1, "2"), row(2, "3")]).toDF()
df.printSchema()

## root
##  |-- foo: long (nullable = true)
##  |-- bar: string (nullable = true)

new_df = df.withColumn('new_column', lit(None).cast(StringType()))
new_df.printSchema()

## root
##  |-- foo: long (nullable = true)
##  |-- bar: string (nullable = true)
##  |-- new_column: string (nullable = true)

new_df.show()

## +---+---+----------+
## |foo|bar|new_column|
## +---+---+----------+
## |  1|  2|      null|
## |  2|  3|      null|
## +---+---+----------+

A Scala同等のものはここにあります: 空/ヌルフィールド値で新しいデータフレームを作成

55
zero323