有没有办法将类型字典的列添加到 pyspark 中的 Spark 数据框中？

Question

这就是我使用原始数据类型创建数据框的方法pyspark：

from pyspark.sql.types import StructType, StructField, DoubleType, StringType, IntegerType
fields = [StructField('column1', IntegerType(), True), StructField('column2', IntegerType(), True)]
schema = StructType(fields)
df = spark.createDataFrame([], schema)
values = [tuple([i]) +
          tuple([i])
          for i in range(3)]
df = spark.createDataFrame(values, schema)

现在，如果我想要第三列包含字典数据，例如：{“1”：1.0，“2”：2.0，“3”：3.0}，我该怎么办？我想创建这个数据框：

+--------------------+-----------------+------------------------------+
|column1             |column2          |column3                       |
+--------------------+-----------------+------------------------------+
|1                   |1                |{"1": 1.0, "2": 1.0, "3": 1.0}|
+--------------------+-----------------+------------------------------+
|2                   |2                |{"1": 2.0, "2": 2.0, "3": 2.0}|
+--------------------+-----------------+------------------------------+
|3                   |3                |{"1": 3.0, "2": 3.0, "3": 3.0}|
+--------------------+-----------------+------------------------------+

有一个 MapType 似乎很有帮助，但我不知道如何使用它？

假设创建了数据框，如何根据第三列过滤它，给定一个字典来选择具有该字典值的数据框的行？

Answer 1

如何创建示例：

from pyspark.sql.types import MapType, IntegerType, DoubleType, StringType, StructType, StructField
import pyspark.sql.functions as f

schema = StructType([
            StructField('column1', IntegerType()),
            StructField('column2', IntegerType()),
            StructField('column3', MapType(StringType(), DoubleType()))])

data = [(1, 2, {'a':3.5, 'b':4.2}), (4, 8, {'b':3.7, 'e':4.9})]
df = spark.createDataFrame(data, schema=schema)
df.show()

输出：

+-------+-------+--------------------+
|column1|column2|             column3|
+-------+-------+--------------------+
|      1|      2|[a -> 3.5, b -> 4.2]|
|      4|      8|[e -> 4.9, b -> 3.7]|
+-------+-------+--------------------+

有关如何过滤 DataFrame 仅留下具有特定键的元素的示例（假设您的映射中没有 null 值并且您的 Spark 版本是 2.4+，因为早期版本没有element_at）：

filtered_df = df.where(f.element_at(df.column3, 'a').isNotNull())

输出：

+-------+-------+--------------------+
|column1|column2|             column3|
+-------+-------+--------------------+
|      1|      2|[a -> 3.5, b -> 4.2]|
+-------+-------+--------------------+

我可能误解了你的问题 - 如果你的意图是只留下映射列等于你拥有的特定字典的行，那就有点棘手了。据我所知Spark没有对字典类型的比较操作（这是有点不寻常的操作）。有一种方法可以使用udf来实现，但效率不会很高。其代码可能如下所示：

from pyspark.sql.types import MapType, IntegerType, DoubleType, StringType, StructType, StructField, BooleanType
my_dict = {'b':2.7, 'e':4.9}

from pyspark.sql.functions import udf
def map_equality_comparer(my_dict):
    @udf(BooleanType())
    def comparer(m):
        if len(m) != len(my_dict): return False
        for k, v in m.items():
            if my_dict.get(k) != v: return False
        return True
    return comparer

filtered_df = df.where(map_equality_comparer(my_dict)(df.column3))
filtered_df.show()

如果这对您来说太慢，您可以考虑创建字典的规范表示并进行比较（例如，将字典转换为键值对的排序数组，并根据这些数组的相等性进行过滤）。