Spark Dataframe API 选择多个列，将它们映射到一个固定的集合，然后联合所有

Question

我有一个定义了此架构的 CSV 源文件。

["Name", "Address", "TaxId", "SS Number", "Mobile Number", "Gender", "LastVisited"]

从此 CSV 中，我需要执行以下操作：

1. 选择一个列子集，一次一个，并将它们全部映射到这个固定架构：

   ["Name", "Address", "Mobile", "UniqueID", "UniqueIdentifierRefCode"]

因此，例如，在第一次迭代中，我将仅选择列的子集：

[Col("Name"), Col("Address"), Col("Mobile Number"), Col("TaxId"), Lit("TaxIdentifier")]

1. 在下一次迭代中，我需要选择一个不同的子集，但将它们映射到相同的固定模式：

   [Col("Name"), Col("Address"), Col("Mobile Number"), Col("SS Number"), Lit("SocialSecurityNumber")]

我可以通过运行 for 循环、选择列并最后执行 UnionAll 来完成所有这些操作。但是有没有更好的方法让 Spark 处理这个问题？

Answer 1

您不需要循环，但可以使用联合，如果您将数据框过滤到所需的行，您可以使用 Union - 在我使用的过滤器中 IsNotNull() 但您可以使用任何过滤器您喜欢（如果您不确定过滤器语法，请给我们更多详细信息，我会提供帮助）。

var taxId = dataFrame.Filter(Functions.Col("TaxId").IsNotNull())
    .WithColumn("UniqueId", Functions.Col("TaxId"));

var ssId = dataFrame.Filter(Functions.Col("ss").IsNotNull())
    .WithColumn("UniqueId", Functions.Col("ss"));

var unionedDataFrame = taxId.Union(ssId);
unionedDataFrame.Show()

获得最终数据框后，您可以选择实际需要的列或删除不需要的列：

unionedDataFrame.Drop("TaxId").Show()

或

unionedDataFrame.Select("name, UniqueId").Show()

在 Spark 中，这与逻辑上完全相同：

dataFrame.Filter(Functions.Col("TaxId").IsNotNull())
    .WithColumn("UniqueId", Functions.Col("TaxId"))
    .Union( 
      dataFrame.Filter(Functions.Col("ss").IsNotNull())
       .WithColumn("UniqueId", Functions.Col("ss"))
     ).Show()

还要注意，当你调用一个方法时，你会得到一个新的 DataFrame，因此 dataFrame.Filter() 的结果是一个单独的 DataFrame 到 dataFrame 但需要注意的重要一点是，由于惰性评估，Spark 创建在执行查询时进行计划。