pyspark sql函数而不是rdd distinct

Question

我一直在尝试替换数据集中特定列的字符串。 1 或 0，如果为 1，则为 'Y'，否则为 0。

我已经设法确定要定位哪些列，使用数据帧到 rdd 转换和 lambda，但需要一段时间来处理。

为每一列切换到一个rdd，然后执行一个distinct，这需要一段时间！

如果不同结果集中存在“Y”，则将该列标识为需要转换。

我想知道是否有人可以建议我如何专门使用 pyspark sql 函数来获得相同的结果，而不必为每一列进行切换？

示例数据的代码如下：

    import pyspark.sql.types as typ
    import pyspark.sql.functions as func

    col_names = [
        ('ALIVE', typ.StringType()),
        ('AGE', typ.IntegerType()),
        ('CAGE', typ.IntegerType()),
        ('CNT1', typ.IntegerType()),
        ('CNT2', typ.IntegerType()),
        ('CNT3', typ.IntegerType()),
        ('HE', typ.IntegerType()),
        ('WE', typ.IntegerType()),
        ('WG', typ.IntegerType()),
        ('DBP', typ.StringType()),
        ('DBG', typ.StringType()),
        ('HT1', typ.StringType()),
        ('HT2', typ.StringType()),
        ('PREV', typ.StringType())
        ]

    schema = typ.StructType([typ.StructField(c[0], c[1], False) for c in col_names])
    df = spark.createDataFrame([('Y',22,56,4,3,65,180,198,18,'N','Y','N','N','N'),
                                ('N',38,79,3,4,63,155,167,12,'N','N','N','Y','N'),
                                ('Y',39,81,6,6,60,128,152,24,'N','N','N','N','Y')]
                               ,schema=schema)

    cols = [(col.name, col.dataType) for col in df.schema]

    transform_cols = []

    for s in cols:
      if s[1] == typ.StringType():
        distinct_result = df.select(s[0]).distinct().rdd.map(lambda row: row[0]).collect()
        if 'Y' in distinct_result:
          transform_cols.append(s[0])

    print(transform_cols)

输出是：

['ALIVE', 'DBG', 'HT2', 'PREV']

Answer 1

我设法使用udf 来完成任务。首先，选择带有Y 或N 的列（这里我使用func.first 以便浏览第一行）：

cols_sel = df.select([func.first(col).alias(col) for col in df.columns]).collect()[0].asDict()
cols = [col_name for (col_name, v) in cols_sel.items() if v in ['Y', 'N']]
# return ['HT2', 'ALIVE', 'DBP', 'HT1', 'PREV', 'DBG']

接下来，您可以创建udf 函数以将Y、N 映射到1、0。

def map_input(val):
    map_dict = dict(zip(['Y', 'N'], [1, 0]))
    return map_dict.get(val)
udf_map_input = func.udf(map_input, returnType=typ.IntegerType())

for col in cols:
    df = df.withColumn(col, udf_map_input(col))
df.show()

最后，您可以对列求和。然后我将输出转换为字典并检查哪些列的值大于 0（即包含 Y）

out = df.select([func.sum(col).alias(col) for col in cols]).collect()
out = out[0]
print([col_name for (col_name, val) in out.asDict().items() if val > 0])

输出

['DBG', 'HT2', 'ALIVE', 'PREV']