Pyspark数据框-将字符串映射到数值

Question

我正在寻找一种转换给定数据列（在这种情况下为字符串）并将其转换为数字表示形式的方法。例如，我有一个带有值的字符串数据框：

+------------+
|    level   |
+------------+
|      Medium|
|      Medium|
|      Medium|
|        High|
|      Medium|
|      Medium|
|         Low|
|         Low|
|        High|
|         Low|
|         Low|

我想创建一个新列，将这些值转换为：

"High"= 1, "Medium" = 2, "Low" = 3

+------------+
|   level_num|
+------------+
|           2|
|           2|
|           2|
|           1|
|           2|
|           2|
|           3|
|           3|
|           1|
|           3|
|           3|

我试图定义一个函数，并像这样在数据框上进行foreach：

def f(x): 
    if(x == 'Medium'):
       return 2
    elif(x == "Low"):
       return 3
    else:
       return 1

 a = df.select("level").rdd.foreach(f)

但这将返回“无”类型。有什么想法吗？与往常一样感谢您的帮助！

Answer 1

您当然可以按照您尝试的方式进行map操作-您将需要一个操作而不是foreach。

spark.version
# u'2.2.0'

from pyspark.sql import Row
# toy data:
df = spark.createDataFrame([Row("Medium"),
                              Row("High"),
                              Row("High"),
                              Row("Low")
                             ],
                              ["level"])
df.show()
# +------+ 
# | level|
# +------+
# |Medium|
# |  High|
# |  High|
# |   Low|
# +------+

使用您f(x)的这些玩具数据，我们将获得：

df.select("level").rdd.map(lambda x: f(x[0])).collect()
# [2, 1, 1, 3]

还有一个map将为您提供一个数据框：

df.select("level").rdd.map(lambda x: f(x[0])).map(lambda x: Row(x)).toDF(["level_num"]).show()
# +---------+ 
# |level_num|
# +---------+
# |        2|
# |        1|
# |        1| 
# |        3|
# +---------+

但是最好使用dataframe函数when而不是您的方法而不调用临时中间RDD来执行此操作f(x)：

from pyspark.sql.functions import col, when

df.withColumn("level_num", when(col("level")=='Medium', 2).when(col("level")=='Low', 3).otherwise(1)).show()
# +------+---------+ 
# | level|level_num|
# +------+---------+
# |Medium|        2|
# |  High|        1| 
# |  High|        1|
# |   Low|        3| 
# +------+---------+