PySpark DataFrame：自定义爆炸函数答案

【问题标题】：PySpark DataFrame: Custom Explode FunctionPySpark DataFrame：自定义爆炸函数
【发布时间】：2018-05-21 23:37:39
【问题描述】：

如何使用 udfs 实现自定义的爆炸功能，这样我们就可以获得关于项目的额外信息？例如，与项目一起，我想要项目的索引。

我不知道该怎么做的部分是当一个 udf 返回多个值时，我们应该将这些值放在单独的行中。

【问题讨论】：

标签： pyspark

【解决方案1】：

如果你需要自定义的explode函数，那么你需要编写UDF来获取数组并返回数组。例如对于这个 DF：

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

添加索引和爆炸结果的函数可以是这样的：

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|
+-----+------+

【讨论】：

只是好奇，有没有办法完全不使用explode？span>
@ashim RDD flatMap 是另一个选项
@RakeshKumar 但您需要将 DataFrame 转换为 RDD。进行这种转换是个好主意吗？
这取决于你之后要做什么。如果您打算返回 DF，请避免使用 flatMap。

【解决方案2】：

在 Spark v. 2.1+ 中，pyspark.sql.functions.posexplode() 将爆炸数组并提供索引：

使用与@Mariusz 相同的示例：

df.show()
#+---------+
#|    array|
#+---------+
#|[a, b, c]|
#|   [d, e]|
#+---------+

df.select(f.posexplode('array')).show()
#+---+---+
#|pos|col|
#+---+---+
#|  0|  a|
#|  1|  b|
#|  2|  c|
#|  0|  d|
#|  1|  e|
#+---+---+

【讨论】：