代码之家 › 专栏 › 技术社区 › YOLO

groupby并使用pyspark将多列转换为列表

spark-dataframe pyspark

5

YOLO · 技术社区 · 8 年前

我在用pyspark。所以我有一个spark数据框,看起来像:

a | b | c
5 | 2 | 1
5 | 4 | 3
2 | 4 | 2
2 | 3 | 7

需要输出:

a | b_list
5 | 2,1,4,3
2 | 4,2,3,7

保持输出中给定的顺序很重要。

2 回复 | 直到 8 年前

1

2

YOLO 6 年前

为了加入列表,我们可以使用 concat_ws 功能如上述注释所示,如下所示:

import pyspark.sql.functions as F

df = (df
      .withColumn('lst', F.concat(df['b'], F.lit(','), df['c']).alias('lst'))
      .groupBy('a')
      .agg( F.concat_ws(',', F.collect_list('lst').alias('b_list')).alias('lst')))

df.show()

+---+-------+
|  a|    lst|
+---+-------+
|  5|2,1,4,3|
|  2|4,2,3,7|
+---+-------+

2

1

ernest_k Petronella 8 年前

最后2列中的以下结果聚合为一个数组列:

df1 = df.withColumn('lst', f.concat(df['b'], f.lit(','), df['c']).alias('lst'))\
  .groupBy('a')\
  .agg( f.collect_list('lst').alias('b_list'))

现在加入数组元素:

#Simplistic udf to joing array:
def join_array(col):
    return ','.join(col)

join = f.udf(join_array)

df1.select('a', join(df1['b_list']).alias('b_list'))\
  .show()

正在打印:

+---+-------+
|  a| b_list|
+---+-------+
|  5|2,1,4,3|
|  2|4,2,3,7|
+---+-------+