Come si aggiunge una nuova colonna a un Spark DataFrame (utilizzando PySpark)?


129

Ho uno Spark DataFrame (utilizzando PySpark 1.5.1) e vorrei aggiungere una nuova colonna.

Ho provato quanto segue senza alcun successo:

type(randomed_hours) # => list

# Create in Python and transform to RDD

new_col = pd.DataFrame(randomed_hours, columns=['new_col'])

spark_new_col = sqlContext.createDataFrame(new_col)

my_df_spark.withColumn("hours", spark_new_col["new_col"])

Ho anche ricevuto un errore usando questo:

my_df_spark.withColumn("hours",  sc.parallelize(randomed_hours))

Allora come aggiungo una nuova colonna (basata sul vettore Python) a un DataFrame esistente con PySpark?

Risposte:


208

Non è possibile aggiungere una colonna arbitraria a DataFramein Spark. Le nuove colonne possono essere create solo utilizzando i letterali (altri tipi di letterali sono descritti in Come aggiungere una colonna costante in un Spark DataFrame? )

from pyspark.sql.functions import lit

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

df_with_x4 = df.withColumn("x4", lit(0))
df_with_x4.show()

## +---+---+-----+---+
## | x1| x2|   x3| x4|
## +---+---+-----+---+
## |  1|  a| 23.0|  0|
## |  3|  B|-23.0|  0|
## +---+---+-----+---+

trasformare una colonna esistente:

from pyspark.sql.functions import exp

df_with_x5 = df_with_x4.withColumn("x5", exp("x3"))
df_with_x5.show()

## +---+---+-----+---+--------------------+
## | x1| x2|   x3| x4|                  x5|
## +---+---+-----+---+--------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9|
## |  3|  B|-23.0|  0|1.026187963170189...|
## +---+---+-----+---+--------------------+

incluso utilizzando join:

from pyspark.sql.functions import exp

lookup = sqlContext.createDataFrame([(1, "foo"), (2, "bar")], ("k", "v"))
df_with_x6 = (df_with_x5
    .join(lookup, col("x1") == col("k"), "leftouter")
    .drop("k")
    .withColumnRenamed("v", "x6"))

## +---+---+-----+---+--------------------+----+
## | x1| x2|   x3| x4|                  x5|  x6|
## +---+---+-----+---+--------------------+----+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|
## |  3|  B|-23.0|  0|1.026187963170189...|null|
## +---+---+-----+---+--------------------+----+

o generato con function / udf:

from pyspark.sql.functions import rand

df_with_x7 = df_with_x6.withColumn("x7", rand())
df_with_x7.show()

## +---+---+-----+---+--------------------+----+-------------------+
## | x1| x2|   x3| x4|                  x5|  x6|                 x7|
## +---+---+-----+---+--------------------+----+-------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|0.41930610446846617|
## |  3|  B|-23.0|  0|1.026187963170189...|null|0.37801881545497873|
## +---+---+-----+---+--------------------+----+-------------------+

Dal punto di vista delle prestazioni, le funzioni integrate ( pyspark.sql.functions), che mappano all'espressione Catalyst, sono generalmente preferite rispetto alle funzioni Python definite dall'utente.

Se vuoi aggiungere il contenuto di un RDD arbitrario come colonna puoi farlo


1
"È possibile creare nuove colonne solo utilizzando i letterali" Cosa significano esattamente i letterali in questo contesto?
timbram

La documentazione di Spark è fantastica, vedi df.withColumn spark.apache.org/docs/2.1.0/api/python/…
Steven Black

10
La documentazione di Spark è "eccezionale" solo in quanto lascia grandi aree di utilizzo fino a un esercizio per il lettore astuto. Spark (e Pyspark) copre un vero zoo di strutture dati, con poche o nessuna istruzione su come convertirle. Caso in questione: proliferazione di domande come questa.
shadowtalker

62

Per aggiungere una colonna utilizzando una UDF:

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

from pyspark.sql.functions import udf
from pyspark.sql.types import *

def valueToCategory(value):
   if   value == 1: return 'cat1'
   elif value == 2: return 'cat2'
   ...
   else: return 'n/a'

# NOTE: it seems that calls to udf() must be after SparkContext() is called
udfValueToCategory = udf(valueToCategory, StringType())
df_with_cat = df.withColumn("category", udfValueToCategory("x1"))
df_with_cat.show()

## +---+---+-----+---------+
## | x1| x2|   x3| category|
## +---+---+-----+---------+
## |  1|  a| 23.0|     cat1|
## |  3|  B|-23.0|      n/a|
## +---+---+-----+---------+

30

Per Spark 2.0

# assumes schema has 'age' column 
df.select('*', (df.age + 10).alias('agePlusTen'))

1
Deve essere df.select ('*', (df.age + 10) .alias ('agePlusTen'))
Frank B.

1
Grazie, e se inserisci df = df.select('*', (df.age + 10).alias('agePlusTen'))stai effettivamente aggiungendo una colonna arbitraria poiché @ zero323 ci ha avvertito sopra era impossibile, a meno che non ci sia qualcosa di sbagliato nel farlo in Spark, in Panda è il modo standard ..
cardamomo

Esiste una versione di questo per pySpark?
Tagar

@Tagar Above snippet is python.
Luke W

1
@GeoffreyAnderson,df.select('*', df.age + 10, df.age + 20)
Mark Rajcok

2

Esistono diversi modi per aggiungere una nuova colonna in pySpark.

Creiamo prima un semplice DataFrame.

date = [27, 28, 29, None, 30, 31]
df = spark.createDataFrame(date, IntegerType())

Ora proviamo a raddoppiare il valore della colonna e memorizzarlo in una nuova colonna. PFB pochi approcci diversi per ottenere lo stesso.

# Approach - 1 : using withColumn function
df.withColumn("double", df.value * 2).show()

# Approach - 2 : using select with alias function.
df.select("*", (df.value * 2).alias("double")).show()

# Approach - 3 : using selectExpr function with as clause.
df.selectExpr("*", "value * 2 as double").show()

# Approach - 4 : Using as clause in SQL statement.
df.createTempView("temp")
spark.sql("select *, value * 2 as double from temp").show()

Per ulteriori esempi e spiegazioni sulle funzioni di Spark DataFrame, puoi visitare il mio blog .

Spero che aiuti.


0

Puoi definirne uno nuovo udfquando aggiungi un column_name:

u_f = F.udf(lambda :yourstring,StringType())
a.select(u_f().alias('column_name')

0
from pyspark.sql.functions import udf
from pyspark.sql.types import *
func_name = udf(
    lambda val: val, # do sth to val
    StringType()
)
df.withColumn('new_col', func_name(df.old_col))

Devi chiamare StringType().
gberger

0

Vorrei offrire un esempio generalizzato per un caso d'uso molto simile:

Caso d'uso: ho un CSV composto da:

First|Third|Fifth
data|data|data
data|data|data
...billion more lines

Devo eseguire alcune trasformazioni e il CSV finale deve assomigliare

First|Second|Third|Fourth|Fifth
data|null|data|null|data
data|null|data|null|data
...billion more lines

Devo farlo perché questo è lo schema definito da un modello e ho bisogno che i miei dati finali siano interoperabili con gli inserimenti in blocco SQL e cose del genere.

così:

1) Ho letto il csv originale usando spark.read e lo chiamo "df".

2) Faccio qualcosa ai dati.

3) Aggiungo le colonne nulle usando questo script:

outcols = []
for column in MY_COLUMN_LIST:
    if column in df.columns:
        outcols.append(column)
    else:
        outcols.append(lit(None).cast(StringType()).alias('{0}'.format(column)))

df = df.select(outcols)

In questo modo, puoi strutturare il tuo schema dopo aver caricato un csv (funzionerebbe anche per riordinare le colonne se devi farlo per molte tabelle).


0

Il modo più semplice per aggiungere una colonna è utilizzare "withColumn". Poiché il dataframe viene creato utilizzando sqlContext, è necessario specificare lo schema o per impostazione predefinita può essere disponibile nel set di dati. Se lo schema è specificato, il carico di lavoro diventa noioso quando cambia ogni volta.

Di seguito è riportato un esempio che puoi considerare:

from pyspark.sql import SQLContext
from pyspark.sql.types import *
sqlContext = SQLContext(sc) # SparkContext will be sc by default 

# Read the dataset of your choice (Already loaded with schema)
Data = sqlContext.read.csv("/path", header = True/False, schema = "infer", sep = "delimiter")

# For instance the data has 30 columns from col1, col2, ... col30. If you want to add a 31st column, you can do so by the following:
Data = Data.withColumn("col31", "Code goes here")

# Check the change 
Data.printSchema()

0

Possiamo aggiungere colonne aggiuntive a DataFrame direttamente con i passaggi seguenti:

from pyspark.sql.functions import when
df = spark.createDataFrame([["amit", 30], ["rohit", 45], ["sameer", 50]], ["name", "age"])
df = df.withColumn("profile", when(df.age >= 40, "Senior").otherwise("Executive"))
df.show()
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.