Spark 1.6将函数应用于名称中带点的列/如何正确转义colName

Question

要将函数应用于Spark中的列,常见的方法(唯一的方法是？)似乎是

df.withColumn(colName, myUdf(df.col(colName))

很好,但我的名字中有圆点的列,要访问列,我需要用反引号"`"来转义名称

问题是:如果我使用该转义名称,.withColumn函数会创建一个带有转义名称的新列

df.printSchema
root
 |-- raw.hourOfDay: long (nullable = false)
 |-- raw.minOfDay: long (nullable = false)
 |-- raw.dayOfWeek: long (nullable = false)
 |-- raw.sensor2: long (nullable = false)

df = df.withColumn("raw.hourOfDay", df.col("raw.hourOfDay"))
org.apache.spark.sql.AnalysisException: Cannot resolve column name "raw.hourOfDay" among (raw.hourOfDay, raw.minOfDay, raw.dayOfWeek, raw.sensor2);

这工作:

df = df.withColumn("`raw.hourOfDay`", df.col("`raw.hourOfDay`"))
df: org.apache.spark.sql.DataFrame = [raw.hourOfDay: bigint, raw.minOfDay: bigint, raw.dayOfWeek: bigint, raw.sensor2: bigint, `raw.hourOfDay`: bigint]

scala> df.printSchema
root
 |-- raw.hourOfDay: long (nullable = false)
 |-- raw.minOfDay: long (nullable = false)
 |-- raw.dayOfWeek: long (nullable = false)
 |-- raw.sensor2: long (nullable = false)
 |-- `raw.hourOfDay`: long (nullable = false)

但正如您所看到的,架构有一个新的转义列名称.

如果我执行上述操作并尝试删除带有转义名称的旧列,它将删除旧列,但在此之后,任何尝试访问新列的结果都会导致:

org.apache.spark.sql.AnalysisException: Cannot resolve column name "`raw.sensor2`" among (`raw.hourOfDay`, `raw.minOfDay`, `raw.dayOfWeek`, `raw.sensor2`);

就好像它现在将反引号理解为名称的标准而不是逃避字符.

那么如何在withColumn不更改名称的情况下"替换"我的旧列？

(PS:请注意我的列名是参数化的,所以我在名称上使用了一个循环.为了清楚起见,我在这里使用了特定的字符串名称:转义序列看起来真的像"`"+ colName +"`")

编辑:

现在我发现的唯一技巧就是:

for (t <- df.columns) {
      if (t.contains(".")) {
        df = df.withColumn("`" + t + "`", myUdf(df.col("`" + t + "`")))
        df = df.drop(df.col("`" + t + "`"))
        df = df.withColumnRenamed("`" + t + "`", t)
      }
      else {
        df = df.withColumn(t, myUdf(df.col(t)))
      }
    }

我觉得不是很有效率......

编辑:

文档状态:

def withColumn(colName: String, col: Column): DataFrame
Returns a new DataFrame by adding a column 
or replacing the existing column that has the same name.

因此,替换列应该不是问题.然而正如下面的@Glennie指出的那样,使用新名称可以正常工作,因此这可能是Spark 1.6中的一个错误

Answer 1

我不相信您可以添加与现有列同名的列（为什么要这样做？）。

df = df.withColumn("raw.hourOfDay", df.col("`raw.hourOfDay`"))

正如您所指出的，将失败，但不是因为名称未正确转义，而是因为名称与现有列相同。

df = df.withColumn("raw.hourOfDay_2", df.col("`raw.hourOfDay`"))

另一方面会评估得很好:)