有没有办法将类型字典的列添加到 pyspark 中的火花数据框？

Question

这就是我在pyspark 中创建具有原始数据类型的数据框的方法：

from pyspark.sql.types import StructType, StructField, DoubleType, StringType, IntegerType
fields = [StructField('column1', IntegerType(), True), StructField('column2', IntegerType(), True)]
schema = StructType(fields)
df = spark.createDataFrame([], schema)
values = [tuple([i]) +
          tuple([i])
          for i in range(3)]
df = spark.createDataFrame(values, schema)

现在，如果我想要第三列包含字典数据，例如：{"1": 1.0, "2": 2.0, "3": 3.0}，我应该怎么做？ 我想创建这个数据框：

+--------------------+-----------------+------------------------------+
|column1             |column2          |column3                       |
+--------------------+-----------------+------------------------------+
|1                   |1                |{"1": 1.0, "2": 1.0, "3": 1.0}|
+--------------------+-----------------+------------------------------+
|2                   |2                |{"1": 2.0, "2": 2.0, "3": 2.0}|
+--------------------+-----------------+------------------------------+
|3                   |3                |{"1": 3.0, "2": 3.0, "3": 3.0}|
+--------------------+-----------------+------------------------------+

有一个 MapType 似乎很有帮助，但我不知道如何使用它？

假设数据框已创建，如何根据第三列对其进行过滤，给定一个dict来选择具有该dict值的数据框的行？

Answer 1

示例如何创建：

from pyspark.sql.types import MapType, IntegerType, DoubleType, StringType, StructType, StructField
import pyspark.sql.functions as f

schema = StructType([
            StructField('column1', IntegerType()),
            StructField('column2', IntegerType()),
            StructField('column3', MapType(StringType(), DoubleType()))])

data = [(1, 2, {'a':3.5, 'b':4.2}), (4, 8, {'b':3.7, 'e':4.9})]
df = spark.createDataFrame(data, schema=schema)
df.show()

输出：

+-------+-------+--------------------+
|column1|column2|             column3|
+-------+-------+--------------------+
|      1|      2|[a -> 3.5, b -> 4.2]|
|      4|      8|[e -> 4.9, b -> 3.7]|
+-------+-------+--------------------+

关于如何过滤 DataFrame 只留下具有特定键的元素的示例（假设您的地图中没有空值并且您的 Spark 版本是 2.4+，因为早期版本没有 element_at）：

filtered_df = df.where(f.element_at(df.column3, 'a').isNotNull())

输出：

+-------+-------+--------------------+
|column1|column2|             column3|
+-------+-------+--------------------+
|      1|      2|[a -> 3.5, b -> 4.2]|
+-------+-------+--------------------+

我可能误解了你的问题 - 如果你的意图是只留下地图列等于你拥有的特定字典的行，那就有点棘手了。据我所知，Spark 没有对字典类型进行比较操作（这有点不寻常的操作）。有一种方法可以使用 udf 来实现它，但效率不是很高。其代码可能如下所示：

from pyspark.sql.types import MapType, IntegerType, DoubleType, StringType, StructType, StructField, BooleanType
my_dict = {'b':2.7, 'e':4.9}

from pyspark.sql.functions import udf
def map_equality_comparer(my_dict):
    @udf(BooleanType())
    def comparer(m):
        if len(m) != len(my_dict): return False
        for k, v in m.items():
            if my_dict.get(k) != v: return False
        return True
    return comparer

filtered_df = df.where(map_equality_comparer(my_dict)(df.column3))
filtered_df.show()

如果这对您来说太慢，您可以考虑创建字典的规范表示并比较它们（例如，将字典转换为键值对的排序数组并基于这些数组的相等性进行过滤）。

Answer 2

你可以在没有UDF的情况下使用，create_map(spark2.0+)，你可以创建一个MapType的新列，使用你要使用的字典，然后使用如下所示过滤以获取 my_dict 等于 column3 的所有行。

from pyspark.sql import functions as F


df.show() #sample dataframe
my_dict = {'b':3.7, 'e':4.9} #dictionary to filter with

#+-------+-------+--------------------+
#|column1|column2|             column3|
#+-------+-------+--------------------+
#|      1|      2|[a -> 3.5, b -> 4.2]|
#|      4|      8|[e -> 4.9, b -> 3.7]|
#+-------+-------+--------------------+

from pyspark.sql import functions as F

df.withColumn("map", F.create_map(*[item for sublist in [[F.lit(x),F.lit(y)]\
                                for x,y in my_dict.items()] for item in sublist]))\
  .filter(' and '.join(["column3.{0}=map.{0}".format(x) for x in my_dict.keys()])+\
          ' and size(column3)=size(map)').drop("map").show()

#+-------+-------+--------------------+
#|column1|column2|             column3|
#+-------+-------+--------------------+
#|      4|      8|[e -> 4.9, b -> 3.7]|
#+-------+-------+--------------------+