使用列值作为Spark数据帧函数的参数

考虑以下数据帧:

#+------+---+
#|letter|rpt|
#+------+---+
#|     X|  3|
#|     Y|  1|
#|     Z|  2|
#+------+---+

可以使用以下代码创建:

df = spark.createDataFrame([("X", 3),("Y", 1),("Z", 2)], ["letter", "rpt"])

假设我想每行重复列中指定的次数 rpt 就像这样 question .

一种方法是复制我的 solution 用以下方法回答这个问题 pyspark-sql 查询:

query = """
SELECT *
FROM
  (SELECT DISTINCT *,
                   posexplode(split(repeat(",", rpt), ",")) AS (index, col)
   FROM df) AS a
WHERE index > 0
"""
query = query.replace("\n", " ")  # replace newlines with spaces, avoid EOF error
spark.sql(query).drop("col").sort('letter', 'index').show()
#+------+---+-----+
#|letter|rpt|index|
#+------+---+-----+
#|     X|  3|    1|
#|     X|  3|    2|
#|     X|  3|    3|
#|     Y|  1|    1|
#|     Z|  2|    1|
#|     Z|  2|    2|
#+------+---+-----+

这会产生正确的答案。但是,我无法使用数据框架API函数复制此行为。

我尝试过:

import pyspark.sql.functions as f
df.select(
    f.posexplode(f.split(f.repeat(",", f.col("rpt")), ",")).alias("index", "col")
).show()

但这会导致:

TypeError: 'Column' object is not callable

为什么我能够将列作为输入传递给 repeat 在查询中,但不是从API?有没有一种方法可以使用spark dataframe函数复制这种行为?