我有一个带有大量可解析元数据的 DF，作为 Dataframe 中的单个字符串列，我们称之为 DFA，使用 ColmnA。
我想通过一个函数 ClassXYZ = Func1(ColmnA) 将这一列 ColmnA 分成多个列。此函数返回一个类 ClassXYZ，其中包含多个变量，现在每个变量都必须映射到新的 Column，例如 ColmnA1、ColmnA2 等。
我将如何通过仅调用此 Func1 一次来使用这些附加列从 1 个 Dataframe 到另一个 Dataframe 进行这种转换，而不必重复它来创建所有列。
如果我每次都调用这个巨大的函数来添加一个新列，这很容易解决，但我希望避免这种情况。
请提供工作代码或伪代码。
谢谢
桑杰
【问题讨论】：
标签： scala apache-spark dataframe apache-spark-sql user-defined-functions
一般来说，你想要的不是直接可能的。 UDF 一次只能返回一列。有两种不同的方法可以克服这个限制：
返回复杂类型的列。最通用的解决方案是StructType，但您也可以考虑ArrayType 或MapType。
import org.apache.spark.sql.functions.udf
val df = Seq(
(1L, 3.0, "a"), (2L, -1.0, "b"), (3L, 0.0, "c")
).toDF("x", "y", "z")
case class Foobar(foo: Double, bar: Double)
val foobarUdf = udf((x: Long, y: Double, z: String) =>
Foobar(x * y, z.head.toInt * y))
val df1 = df.withColumn("foobar", foobarUdf($"x", $"y", $"z"))
df1.show
// +---+----+---+------------+
// | x| y| z| foobar|
// +---+----+---+------------+
// | 1| 3.0| a| [3.0,291.0]|
// | 2|-1.0| b|[-2.0,-98.0]|
// | 3| 0.0| c| [0.0,0.0]|
// +---+----+---+------------+
df1.printSchema
// root
// |-- x: long (nullable = false)
// |-- y: double (nullable = false)
// |-- z: string (nullable = true)
// |-- foobar: struct (nullable = true)
// | |-- foo: double (nullable = false)
// | |-- bar: double (nullable = false)
这可以很容易地在以后变平，但通常不需要。
切换到RDD，重塑和重建DF：
import org.apache.spark.sql.types._
import org.apache.spark.sql.Row
def foobarFunc(x: Long, y: Double, z: String): Seq[Any] =
Seq(x * y, z.head.toInt * y)
val schema = StructType(df.schema.fields ++
Array(StructField("foo", DoubleType), StructField("bar", DoubleType)))
val rows = df.rdd.map(r => Row.fromSeq(
r.toSeq ++
foobarFunc(r.getAs[Long]("x"), r.getAs[Double]("y"), r.getAs[String]("z"))))
val df2 = sqlContext.createDataFrame(rows, schema)
df2.show
// +---+----+---+----+-----+
// | x| y| z| foo| bar|
// +---+----+---+----+-----+
// | 1| 3.0| a| 3.0|291.0|
// | 2|-1.0| b|-2.0|-98.0|
// | 3| 0.0| c| 0.0| 0.0|
// +---+----+---+----+-----+
【讨论】：
df1.foobar.foo）？
structs 几乎可以在任何通常使用扁平结构的上下文中使用（使用简单的点语法fooobar.foo）。但它不适用于集合类型。也可以查看stackoverflow.com/a/33850490/1560062
假设在你的函数之后会有一个元素序列，举个例子如下：
val df = sc.parallelize(List(("Mike,1986,Toronto", 30), ("Andre,1980,Ottawa", 36), ("jill,1989,London", 27))).toDF("infoComb", "age")
df.show
+------------------+---+
| infoComb|age|
+------------------+---+
|Mike,1986,Toronto| 30|
| Andre,1980,Ottawa| 36|
| jill,1989,London| 27|
+------------------+---+
现在你可以用这个 infoComb 做的是你可以开始拆分字符串并获得更多列：
df.select(expr("(split(infoComb, ','))[0]").cast("string").as("name"), expr("(split(infoComb, ','))[1]").cast("integer").as("yearOfBorn"), expr("(split(infoComb, ','))[2]").cast("string").as("city"), $"age").show
+-----+----------+-------+---+
| name|yearOfBorn| city|age|
+-----+----------+-------+---+
|Mike| 1986|Toronto| 30|
|Andre| 1980| Ottawa| 36|
| jill| 1989| London| 27|
+-----+----------+-------+---+
希望这会有所帮助。
【讨论】：
如果生成的列与原始列的长度相同，则可以使用 withColumn 函数并应用 udf 创建全新的列。在此之后，您可以删除原始列，例如：
val newDf = myDf.withColumn("newCol1", myFun(myDf("originalColumn")))
.withColumn("newCol2", myFun2(myDf("originalColumn"))
.drop(myDf("originalColumn"))
其中 myFun 是这样定义的 udf：
def myFun= udf(
(originalColumnContent : String) => {
// do something with your original column content and return a new one
}
)
【讨论】：
我选择创建一个函数来展平一列，然后与 udf 同时调用它。
首先定义这个：
implicit class DfOperations(df: DataFrame) {
def flattenColumn(col: String) = {
def addColumns(df: DataFrame, cols: Array[String]): DataFrame = {
if (cols.isEmpty) df
else addColumns(
df.withColumn(col + "_" + cols.head, df(col + "." + cols.head)),
cols.tail
)
}
val field = df.select(col).schema.fields(0)
val newCols = field.dataType.asInstanceOf[StructType].fields.map(x => x.name)
addColumns(df, newCols).drop(col)
}
def withColumnMany(colName: String, col: Column) = {
df.withColumn(colName, col).flattenColumn(colName)
}
}
那么用法就很简单了：
case class MyClass(a: Int, b: Int)
val df = sc.parallelize(Seq(
(0),
(1)
)).toDF("x")
val f = udf((x: Int) => MyClass(x*2,x*3))
df.withColumnMany("test", f($"x")).show()
// +---+------+------+
// | x|test_a|test_b|
// +---+------+------+
// | 0| 0| 0|
// | 1| 2| 3|
// +---+------+------+
【讨论】：
这可以通过使用pivot函数轻松实现
df4.groupBy("year").pivot("course").sum("earnings").collect()
【讨论】：