如何爆炸多列，不同类型和不同长度的列？

Question

我有一个具有不同时间周期（1 / 6、3 / 6、6 / 6等）的列的DF，并且想“分解”所有列以创建新的DF，其中每行是1 / 6个周期。

from pyspark import Row 
from pyspark.sql import SparkSession 
from pyspark.sql.functions import explode, arrays_zip, col

spark = SparkSession.builder \
    .appName('DataFrame') \
    .master('local[*]') \
    .getOrCreate()

df = spark.createDataFrame([Row(a=1, b=[1, 2, 3, 4, 5, 6], c=[11, 22, 33], d=['foo'])])

|  a|                 b|           c|    d|
+---+------------------+------------+-----+
|  1|[1, 2, 3, 4, 5, 6]|[11, 22, 33]|[foo]|
+---+------------------+------------+-----+

我正在爆炸：

df2 = (df.withColumn("tmp", arrays_zip("b", "c", "d"))
       .withColumn("tmp", explode("tmp"))
       .select("a", col("tmp.b"), col("tmp.c"), "d"))

但是输出不是我想要的：

|  a|  b|   c|    d|
+---+---+----+-----+
|  1|  1|  11|[foo]|
|  1|  2|  22|[foo]|
|  1|  3|  33|[foo]|
|  1|  4|null|[foo]|
|  1|  5|null|[foo]|
|  1|  6|null|[foo]|
+---+---+----+-----+

我希望它看起来像这样：

|  a|  b|  c|  d|
+---+---+---+---+
|  1|  1| 11|foo|
|   |  2|   |   |
|   |  3| 22|   |
|   |  4|   |   |
|   |  5| 33|   |
|   |  6|   |   |
+---+---+---+---+

我是Spark的新手，从一开始我就有很多复杂的话题！:)

更新2019-07-15：也许有人在不使用UDF的情况下找到了解决方案？->由@ jxc回答

更新2019-07-17：也许有人有解决方案如何以更复杂的顺序更改null <->值序列？像c- Null, 11, Null, 22, Null, 33或更复杂的情况，因为我们希望在列d第一个值是Null，接下来foo则Null, Null, Null：

|  a|  b|  c|  d|
+---+---+---+---+
|  1|  1|   |   |
|   |  2| 11|foo|
|   |  3|   |   |
|   |  4| 22|   |
|   |  5|   |   |
|   |  6| 33|   |
+---+---+---+---+

Answer 1

这是不使用udf的一种方法：

2019年7月17日更新：调整了SQL stmt并将N = 6作为参数添加到SQL。

2019年7月16日更新：删除了临时列t，array(0,1,2,3,4,5)在转换函数中替换为常量。在这种情况下，我们可以直接对数组元素的值进行操作，而不是对它们的索引进行操作。

更新：我删除了使用String函数并将数组元素中的数据类型全部转换为String且效率较低的原始方法。带有Spark 2.4+的Spark SQL高阶函数应该比原始方法更好。

设定

from pyspark.sql import functions as F, Row

df = spark.createDataFrame([ Row(a=1, b=[1, 2, 3, 4, 5, 6], c=['11', '22', '33'], d=['foo'], e=[111,222]) ])

>>> df.show()
+---+------------------+------------+-----+----------+
|  a|                 b|           c|    d|         e|
+---+------------------+------------+-----+----------+
|  1|[1, 2, 3, 4, 5, 6]|[11, 22, 33]|[foo]|[111, 222]|
+---+------------------+------------+-----+----------+

# columns you want to do array-explode
cols = df.columns

# number of array elements to set
N = 6

使用SQL高阶函数：转换

使用Spark SQL高阶函数：transform（），执行以下操作：

1. 创建以下Spark SQL代码，{0}将其替换为column_name，{1}并将其替换为N：

   stmt = '''
      CASE
         WHEN '{0}' in ('d') THEN
           transform(sequence(0,{1}-1), x -> IF(x == 1, `{0}`[0], NULL))
         WHEN size(`{0}`) <= {1}/2 AND size(`{0}`) > 1 THEN
           transform(sequence(0,{1}-1), x -> IF(((x+1)*size(`{0}`))%{1} == 0, `{0}`[int((x-1)*size(`{0}`)/{1})], NULL))
         ELSE `{0}`
       END AS `{0}`
   '''
   

   注意：仅当数组包含多个（除非在单独的WHEN子句中指定）和<= N/2元素（在此示例中为1 < size <= 3）时，才定义数组转换。其他大小的数组将保持原样。

2. 对所有必需的列使用selectExpr（）运行上述SQL

   df1 = df.withColumn('a', F.array('a')) \
           .selectExpr(*[ stmt.format(c,N) for c in cols ])
   
   >>> df1.show()
   +---+------------------+----------------+-----------+---------------+
   |  a|                 b|               c|          d|              e|
   +---+------------------+----------------+-----------+---------------+
   |[1]|[1, 2, 3, 4, 5, 6]|[, 11,, 22,, 33]|[, foo,,,,]|[,, 111,,, 222]|
   +---+------------------+----------------+-----------+---------------+
   

3. 运行arrays_zip并爆炸：

   df_new = df1.withColumn('vals', F.explode(F.arrays_zip(*cols))) \
               .select('vals.*') \
               .fillna('', subset=cols)
   
   >>> df_new.show()
   +----+---+---+---+----+
   |   a|  b|  c|  d|   e|
   +----+---+---+---+----+
   |   1|  1|   |   |null|
   |null|  2| 11|foo|null|
   |null|  3|   |   | 111|
   |null|  4| 22|   |null|
   |null|  5|   |   |null|
   |null|  6| 33|   | 222|
   +----+---+---+---+----+
   

   注意：fillna('', subset=cols)仅更改包含字符串的列

在一个方法链中：

df_new = df.withColumn('a', F.array('a')) \
           .selectExpr(*[ stmt.format(c,N) for c in cols ]) \
           .withColumn('vals', F.explode(F.arrays_zip(*cols))) \
           .select('vals.*') \
           .fillna('', subset=cols)

有关转换功能的说明：

转换功能（下面的列表，反映了对要求的旧修订）

transform(sequence(0,5), x -> IF((x*size({0}))%6 == 0, {0}[int(x*size({0})/6)], NULL))

如文章所述，{0}将被替换为列名。这里我们以column- c为例，其中包含3个元素：

• 在transform函数中，sequence(0,5)创建一个array(0,1,2,3,4,5)包含6个元素的常量数组，其余的将lambda函数设置为一个x具有element值的参数。
• IF（condition，true_value，false_value）：是标准的SQL函数

• 我们应用的条件是：(x*size(c))%6 == 0其中size(c)=3，如果此条件为true，则将返回c [int（x * size（c）/ 6）]，否则，将返回NULL。因此x从0到5，我们将有：

  ((0*3)%6)==0) true   -->  c[int(0*3/6)] = c[0]
  ((1*3)%6)==0) false  -->  NULL
  ((2*3)%6)==0) true   -->  c[int(2*3/6)] = c[1]
  ((3*3)%6)==0) false  -->  NULL
  ((4*3)%6)==0) true   -->  c[int(4*3/6)] = c[2]
  ((5*3)%6)==0) false  -->  NULL
  

类似于包含2个元素的数组的e列。