在pyspark中展平Maptype列

Question

我有一个带有 MapType 列的 pyspark DataFrame，并希望通过键名将其分解为所有列

root
 |-- a: map (nullable = true)
 |    |-- key: string
 |    |-- value: long (valueContainsNull = true)

我想做sp_test.select('a.*') 但出现错误：

AnalysisException: '只能用星号扩展结构数据类型。属性：ArrayBuffer(a);'

如果我们知道所有的键，这可以通过这样做来实现

sp_test.select(['a.%s'%item for item in ['a','b']]).show()

但我想删除关键依赖

如果我们有一个 StrucType 列，这可以通过 display(nested_df.select('*', 'nested_array.*')) 轻松实现

root
 |-- _corrupt_record: string (nullable = true)
 |-- field1: long (nullable = true)
 |-- field2: long (nullable = true)
 |-- nested_array: struct (nullable = true)
 |    |-- nested_field1: long (nullable = true)
 |    |-- nested_field2: long (nullable = true)

我有一些疑问：

1. 可以将MapType 转换为StructType吗？
2. 我们可以直接从MapType查询子键吗？

Answer 1

TL;DR： 除非您提前知道可能的密钥，否则没有简单的方法可以完成您的要求。

让我用一个例子来解释为什么以及你的选择是什么。

首先，创建如下DataFrame：

data = [({'a': 1, 'b': 2},), ({'c':3},), ({'a': 4, 'c': 5},)]
df = spark.createDataFrame(data, ["a"])
df.show()
#+-------------------+
#|                  a|
#+-------------------+
#|Map(a -> 1, b -> 2)|
#|        Map(c -> 3)|
#|Map(a -> 4, c -> 5)|
#+-------------------+

具有以下架构：

df.printSchema()
#root
# |-- a: map (nullable = true)
# |    |-- key: string
# |    |-- value: long (valueContainsNull = true)

1. MapType可以转换成StructType吗？

简单的答案是否定的（至少效率不高），除非您提前知道密钥。

MapType 和StructType 之间的区别在于映射的键值对是逐行独立的。对于结构列中的StructType 列，情况并非如此，所有行都具有相同的结构字段。

因此，spark 无法轻松推断要从地图中创建哪些列。 （请记住，火花在每一行上并行运行）。另一方面，将结构分解成列很简单，因为所有列都是提前知道的。

因此，如果您知道密钥，则可以通过以下方式创建结构类型：

import pyspark.sql.functions as f

df_new = df.select(
    f.struct(*[f.col("a").getItem(c).alias(c) for c in ["a", "b", "c"]]).alias("a")
)
df_new.show()
#+-------------+
#|            a|
#+-------------+
#|   [1,2,null]|
#|[null,null,3]|
#|   [4,null,5]|
#+-------------+

而新的架构是：

df_new.printSchema()
#root
# |-- a: struct (nullable = false)
# |    |-- a: long (nullable = true)
# |    |-- b: long (nullable = true)
# |    |-- c: long (nullable = true)

1. 我们可以直接从 MapType 查询子键吗？

是的，（如上所示）您可以使用getItem() 从列表中的索引处获取项目，或者通过键从地图中获取项目。

---

如果您不知道密钥，您唯一的选择是将 explode 映射成行，groupby 和 pivot。

df.withColumn("id", f.monotonically_increasing_id())\
    .select("id", f.explode("a"))\
    .groupby("id")\
    .pivot("key")\
    .agg(f.first("value"))\
    .drop("id")\
    .show()
#+----+----+----+
#|   a|   b|   c|
#+----+----+----+
#|null|null|   3|
#|   1|   2|null|
#|   4|null|   5|
#+----+----+----+

在这种情况下，我们需要先创建一个id 列，以便进行分组。

这里的pivot 可能很昂贵，具体取决于您的数据大小。