PySpark DataFrame:自定义爆炸功能

Question

如何使用udfs实现自定义爆炸功能,以便我们可以获得有关项目的额外信息？例如,与项目一起,我想要项目的索引.

我不知道怎么做的部分是当udf返回多个值时,我们应该将这些值作为单独的行放置.

Answer 1

如果您需要自定义爆炸功能,那么您需要编写获取数组并返回数组的UDF.例如对于这个DF:

df = spark.createDataFrame([(['a', 'b', 'c'], ), (['d', 'e'],)], ['array'])
df.show()
+---------+
|    array|
+---------+
|[a, b, c]|
|   [d, e]|
+---------+

添加索引并展开结果的函数可能如下所示:

from pyspark.sql.types import *
value_with_index = StructType([
    StructField('index', IntegerType()),
    StructField('letter', StringType())
])
add_indices = udf(lambda arr: list(zip(range(len(arr)), arr)), ArrayType(value_with_index))
df.select(explode(add_indices('array'))).select('col.index', 'col.letter').show()
+-----+------+
|index|letter|
+-----+------+
|    0|     a|
|    1|     b|
|    2|     c|
|    0|     d|
|    1|     e|
+-----+------+