PySpark：当列是列表时向DataFrame添加列

Question

我读过类似的问题，但没有找到解决我的具体问题的方法。

我有一个列表

l = [1, 2, 3]

以及一个数据框

df = sc.parallelize([
    ['p1', 'a'],
    ['p2', 'b'],
    ['p3', 'c'],
]).toDF(('product', 'name'))

我想获取一个新的DataFrame，其中列表l被添加为另一列，即

+-------+----+---------+
|product|name| new_col |
+-------+----+---------+
|     p1|   a|     1   |
|     p2|   b|     2   |
|     p3|   c|     3   |
+-------+----+---------+

使用JOIN的方法，我正在将df连接到一个

 sc.parallelize([[1], [2], [3]])

执行失败了。使用withColumn方法的尝试，例如：

new_df = df.withColumn('new_col', l)

由于列表不是Column对象，因此失败。

- mar tin

---

我认为这是一个很棒的问题，因为它展示了Spark DataFrames API中严重缺失的功能。 - Katya Willard

Answer 1

因此，从阅读一些有趣的内容这里，我得出结论，你不能真正地将一个随机/任意列附加到给定的DataFrame对象中。似乎你想要的更像是一个zip而不是一个join。我查了一下，发现这个票, 这让我认为你无法使用zip，因为你有DataFrame而不是RDD对象。

我唯一能解决你的问题的方法涉及离开DataFrame对象的世界并返回RDD对象。我还需要为连接创建一个索引，这可能适用于您的用例，也可能不适用。

l = sc.parallelize([1, 2, 3])
index = sc.parallelize(range(0, l.count()))
z = index.zip(l)

rdd = sc.parallelize([['p1', 'a'], ['p2', 'b'], ['p3', 'c']])
rdd_index = index.zip(rdd)

# just in case!
assert(rdd.count() == l.count())
# perform an inner join on the index we generated above, then map it to look pretty.
new_rdd = rdd_index.join(z).map(lambda (x, y): [y[0][0], y[0][1], y[1]])
new_df = new_rdd.toDF(["product", 'name', 'new_col'])

当我运行new_df.show()时，我得到：

+-------+----+-------+
|product|name|new_col|
+-------+----+-------+
|     p1|   a|      1|
|     p2|   b|      2|
|     p3|   c|      3|
+-------+----+-------+

---

顺便提一下：我真的很惊讶这没起作用。看起来像是一个外连接？

from pyspark.sql import Row
l = sc.parallelize([1, 2, 3])
new_row = Row("new_col_name")
l_as_df = l.map(new_row).toDF()
new_df = df.join(l_as_df)

当我运行new_df.show()时，得到如下结果：

+-------+----+------------+
|product|name|new_col_name|
+-------+----+------------+
|     p1|   a|           1|
|     p1|   a|           2|
|     p1|   a|           3|
|     p2|   b|           1|
|     p3|   c|           1|
|     p2|   b|           2|
|     p2|   b|           3|
|     p3|   c|           2|
|     p3|   c|           3|
+-------+----+------------+

- Katya Willard

---

请注意，您可以直接使用df.rdd将DataFrame转换为RDD，例如在我的问题中使用。 - mar tin

Answer 2

如果product列是唯一的，则考虑以下方法：

原始数据框：

df = spark.sparkContext.parallelize([
    ['p1', 'a'],
    ['p2', 'b'],
    ['p3', 'c'],
]).toDF(('product', 'name'))

df.show()

+-------+----+
|product|name|
+-------+----+
|     p1|   a|
|     p2|   b|
|     p3|   c|
+-------+----+

新列（和新索引列）：

lst = [1, 2, 3]
indx = ['p1','p2','p3']

从上面的列表中创建一个带有索引的新数据框：

from pyspark.sql.types import *
myschema= StructType([ StructField("indx", StringType(), True),
                       StructField("newCol", IntegerType(), True)                       
                     ])
df1=spark.createDataFrame(zip(indx,lst),schema = myschema)
df1.show()
+----+------+
|indx|newCol|
+----+------+
|  p1|     1|
|  p2|     2|
|  p3|     3|
+----+------+

使用创建的索引将此内容与原始数据框合并：

dfnew = df.join(df1, df.product == df1.indx,how='left')\
          .drop(df1.indx)\
          .sort("product")

获取：

dfnew.show()

+-------+----+------+
|product|name|newCol|
+-------+----+------+
|     p1|   a|     1|
|     p2|   b|     2|
|     p3|   c|     3|
+-------+----+------+

- Grant Shannon

Answer 3

这可以通过RDDs实现。

1 将数据框转换为索引RDD：

df_rdd = df.rdd.zipWithIndex().map(lambda row: (row[1], (row[0][0], row[0][1])))
l_rdd = sc.parallelize(l).zipWithIndex().map(lambda row: (row[1], row[0]))

通过索引连接两个RDD，删除索引并重新排列元素：

res_rdd = df_rdd.join(l_rdd).map(lambda row: [row[1][0][0], row[1][0][1], row[1][1]])

3 将结果转换为数据框：

res_df = res_rdd.toDF(['product', 'name', 'new_col'])
res_df.show()

+-------+----+-------+
|product|name|new_col|
+-------+----+-------+
|     p1|   a|      1|
|     p2|   b|      2|
|     p3|   c|      3|
+-------+----+-------+

- Val