PySpark - 添加新的嵌套列或更改现有嵌套列的值

Question

假设,我有一个json文件,其中包含以下结构中的行:

{
 "a": 1,
 "b": {
       "bb1": 1,
       "bb2": 2
      }
}

我想更改密钥的值bb1或添加一个新密钥,如:bb3.目前,我使用spark.read.json将json文件作为DataFrame加载到spark中,并使用df.rdd.map将RDD的每一行映射到dict.然后,更改嵌套键值或添加嵌套键并将dict转换为行.最后,将RDD转换为DataFrame.工作流程如下:

def map_func(row):
  dictionary = row.asDict(True)
  adding new key or changing key value
  return as_row(dictionary) # as_row convert dict to row recursively

df = spark.read.json("json_file")
df.rdd.map(map_func).toDF().write.json("new_json_file")

这对我有用.但我担心转换DataFrame - > RDD(Row - > dict - > Row) - > DataFrame会导致效率下降.有没有其他方法可以满足这种需求,但不能以效率为代价？

---

我使用的最终解决方案是使用withColumn并动态构建b的模式.首先,我们可以通过以下方式获取b_schemafrom df架构:

b_schema = next(field['type'] for field in df.schema.jsonValue()['fields'] if field['name'] == 'b')

在那之后,b_schema是dict,我们可以通过以下方式添加新字段:

b_schema['fields'].append({"metadata":{},"type":"string","name":"bb3","nullable":True})

然后,我们可以通过以下方式将其转换为StructType:

new_b = StructType.fromJson(b_schema)

在map_func中,我们可以将Row转换为dict并填充新字段:

def map_func(row):
  data = row.asDict(True)
  data['bb3'] = data['bb1'] + data['bb2']
  return data

map_udf = udf(map_func, new_b)
df.withColumn('b', map_udf('b')).collect()

谢谢@Mariusz

Answer 1

您可以使用map_funcudf,因此省略转换DF - > RDD - > DF,仍具有python的灵活性来实现业务逻辑.您只需要创建模式对象:

>>> from pyspark.sql.types import *
>>> new_b = StructType([StructField('bb1', LongType()), StructField('bb2', LongType()), StructField('bb3', LongType())])

然后你定义map_func和udf:

>>> from pyspark.sql.functions import *
>>> def map_func(data):
...     return {'bb1': 4, 'bb2': 5, 'bb3': 6}
... 
>>> map_udf = udf(map_func, new_b)

最后将此UDF应用于数据帧:

>>> df = spark.read.json('sample.json')
>>> df.withColumn('b', map_udf('b')).first()
Row(a=1, b=Row(bb1=4, bb2=5, bb3=6))

编辑:

根据评论:您可以更简单的方式向现有StructType添加字段,例如:

>>> df = spark.read.json('sample.json')
>>> new_b = df.schema['b'].dataType.add(StructField('bb3', LongType()))