web-dev-qa-db-ja.com

Spark DataFrameに定数列を追加する方法

任意の値を持つDataFrameに列を追加したい（それは各行で同じです）。次のようにwithColumnを使用するとエラーが発生します。

dt.withColumn('new_column', 10).head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'

他の列の1つを足したり引いたりして（したがって0に足し合わせて）、必要な数（この場合は10）を足して、関数を機能させることができます。

dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)

[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]

これはすごくハッキーですね。私はこれを行うためのより合法的な方法があると思いますか？

pythonapache-sparkdataframepysparkapache-spark-sql
90
Evan Zamir

Spark 2.2 +

Spark 2.2では、typedLit、Seq、およびMap（ SPARK-19254 ）をサポートするためにTuplesが導入され、次の呼び出しをサポートする必要があります（Scala）。

import org.Apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, .0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Spark 1.3 +（lit）、1.4 +（array、struct） 、2.0 +（map）：

DataFrame.withColumnの2番目の引数はColumnにする必要があるので、リテラルを使用する必要があります。

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))

複雑な列が必要な場合は、arrayのようなブロックを使用してこれらを構築できます。

from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

Scalaでもまったく同じ方法を使用できます。

import org.Apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

structsに名前を付けるには、各フィールドにaliasを使用します。

df.withColumn(
    "some_struct",
    struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z"))
 )

オブジェクト全体に対するcast

df.withColumn(
    "some_struct", 
    struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>")
 )

遅いですが、UDFを使用することもできます。

注：

同じ構文を使用して、定数引数をUDFまたはSQL関数に渡すことができます。

172
zero323

スパーク2.2では、DataFrameの列に定数値を追加する方法が2つあります。

1）litを使う

2）typedLitを使う。

両者の違いは、typedLitはパラメータ化されたスカラ型も扱えることです。リスト、シーケンス、およびマップ

サンプルDataFrame：

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+

1）litを使う： newcolという名前の新しい列に文字列定数値を追加します。

import org.Apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))

結果：

+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+

2）typedLitを使う：

import org.Apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))

結果：

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+
19
Ayush Vatsyayan