Pyspark - 从每列中选择不同的值

Question

我试图在数据框中的每一列中找到所有不同的值并显示在一个表中。

示例数据：

|-----------|-----------|-----------|
|   COL_1   |   COL_2   |   COL_3   | 
|-----------|-----------|-----------|
|     A     |     C     |     D     |
|     A     |     C     |     D     |
|     A     |     C     |     E     |
|     B     |     C     |     E     |
|     B     |     C     |     F     |
|     B     |     C     |     F     |
|-----------|-----------|-----------|

示例输出：

|-----------|-----------|-----------|
|   COL_1   |   COL_2   |   COL_3   | 
|-----------|-----------|-----------|
|     A     |     C     |     D     |
|     B     |           |     E     |
|           |           |     F     |
|-----------|-----------|-----------|

这甚至可能吗？我已经能够在单独的表中完成它，但是在一张表中会更好。

有任何想法吗？

Answer 1

这里最简单的事情是pyspark.sql.functions.collect_set在所有列上使用：

import pyspark.sql.functions as f
df.select(*[f.collect_set(c).alias(c) for c in df.columns]).show()
#+------+-----+---------+
#| COL_1|COL_2|    COL_3|
#+------+-----+---------+
#|[B, A]|  [C]|[F, E, D]|
#+------+-----+---------+

显然，这将数据作为一行返回。

相反，如果您想要在您的问题中写入的输出（每列每个唯一值一行），这是可行的，但需要相当多的 pyspark 体操（并且任何解决方案的效率都可能会低得多）。

不过，我为您提供了一些选择：

选项 1：分解并加入

您可以使用pyspark.sql.functions.posexplode分解每列值集中的元素以及数组中的索引。分别对每一列执行此操作，然后使用functools.reduce以下方法将结果数据帧列表外部连接在一起：

from functools import reduce 

unique_row = df.select(*[f.collect_set(c).alias(c) for c in df.columns])

final_df = reduce(
    lambda a, b: a.join(b, how="outer", on="pos"),
    (unique_row.select(f.posexplode(c).alias("pos", c)) for c in unique_row.columns)
).drop("pos")

final_df.show()
#+-----+-----+-----+
#|COL_1|COL_2|COL_3|
#+-----+-----+-----+
#|    A| null|    E|
#| null| null|    D|
#|    B|    C|    F|
#+-----+-----+-----+

选项 2：按位置选择

首先计算最大数组的大小并将其存储在新列中max_length。如果该索引处存在值，则从每个数组中选择元素。

我们再次使用，pyspark.sql.functions.posexplode但这次只是创建一个列来表示要提取的每个数组中的索引。

最后，我们使用这个技巧，允许您使用列值作为参数。

final_df= df.select(*[f.collect_set(c).alias(c) for c in df.columns])\
    .withColumn("max_length", f.greatest(*[f.size(c) for c in df.columns]))\
    .select("*", f.expr("posexplode(split(repeat(',', max_length-1), ','))"))\
    .select(
        *[
            f.expr(
                "case when size({c}) > pos then {c}[pos] else null end AS {c}".format(c=c))
            for c in df.columns
        ]
    )

final_df.show()
#+-----+-----+-----+
#|COL_1|COL_2|COL_3|
#+-----+-----+-----+
#|    B|    C|    F|
#|    A| null|    E|
#| null| null|    D|
#+-----+-----+-----+