Pyspark DataFrame：将具有多个值的列拆分为行

Question

我有一个数据框（包含更多行和列），如下所示。

样本 DF：

from pyspark import Row
from pyspark.sql import SQLContext
from pyspark.sql.functions import explode

sqlc = SQLContext(sc)

df = sqlc.createDataFrame([Row(col1 = 'z1', col2 = '[a1, b2, c3]', col3 = 'foo')])
# +------+-------------+------+
# |  col1|         col2|  col3|
# +------+-------------+------+
# |    z1| [a1, b2, c3]|   foo|
# +------+-------------+------+

df
# DataFrame[col1: string, col2: string, col3: string]

我想要什么：

+-----+-----+-----+
| col1| col2| col3|
+-----+-----+-----+
|   z1|   a1|  foo|
|   z1|   b2|  foo|
|   z1|   c3|  foo|
+-----+-----+-----+

我尝试复制此处提供的RDD 解决方案：Pyspark: Split multiple array columns into rows

(df
    .rdd
    .flatMap(lambda row: [(row.col1, col2, row.col3) for col2 in row.col2)])
    .toDF(["col1", "col2", "col3"]))

但是，它没有给出所需的结果

编辑：explode 选项不起作用，因为它当前存储为字符串，而 explode 函数需要一个数组

Answer 1

您可以使用explode，但首先您必须将数组的字符串表示形式转换为数组。

一种方法是使用regexp_replace 删除前导和尾随方括号，然后在", " 上使用split。

from pyspark.sql.functions import col, explode, regexp_replace, split

df.withColumn(
    "col2", 
    explode(split(regexp_replace(col("col2"), "(^\[)|(\]$)", ""), ", "))
).show()
#+----+----+----+
#|col1|col2|col3|
#+----+----+----+
#|  z1|  a1| foo|
#|  z1|  b2| foo|
#|  z1|  c3| foo|
#+----+----+----+

Answer 2

Pault 的解决方案应该可以正常工作，尽管这是另一个使用 regexp_extract 的解决方案（在这种情况下，您实际上不需要替换任何东西）并且它可以处理任意数量的空格：

from pyspark.sql.functions import col, explode, regexp_extract,regexp_replace, split

df.withColumn("col2", 
              explode(
                  split(
                      regexp_extract(
                        regexp_replace(col("col2"), "\s", ""), "^\[(.*)\]$", 1), ","))) \
.show()

说明：

• 最初regexp_replace(col("col2"), "\s", "") 将用空字符串替换所有空格。
• 接下来regexp_extract 将提取以[ 开头并以] 结尾的列的内容。
• 然后我们对逗号分隔值执行split，最后执行explode。