向 Spark DataFrame 添加一个空列

Question

正如网络上 other locations 中所述，向现有 DataFrame 添加新列并不简单。不幸的是，拥有此功能很重要（即使它在分布式环境中效率低下）尤其是在尝试使用 unionAll.

连接两个 DataFrame 时

将 null 列添加到 DataFrame 以促进 unionAll 的最优雅的解决方法是什么？

我的版本是这样的：

from pyspark.sql.types import StringType
from pyspark.sql.functions import UserDefinedFunction
to_none = UserDefinedFunction(lambda x: None, StringType())
new_df = old_df.withColumn('new_column', to_none(df_old['any_col_from_old']))

Answer 1

这里你只需要一个文字和演员：

from pyspark.sql.functions import lit

new_df = old_df.withColumn('new_column', lit(None).cast(StringType()))

完整示例：

df = sc.parallelize([row(1, "2"), row(2, "3")]).toDF()
df.printSchema()

## root
##  |-- foo: long (nullable = true)
##  |-- bar: string (nullable = true)

new_df = df.withColumn('new_column', lit(None).cast(StringType()))
new_df.printSchema()

## root
##  |-- foo: long (nullable = true)
##  |-- bar: string (nullable = true)
##  |-- new_column: string (nullable = true)

new_df.show()

## +---+---+----------+
## |foo|bar|new_column|
## +---+---+----------+
## |  1|  2|      null|
## |  2|  3|      null|
## +---+---+----------+

可在此处找到 Scala 等效项：Create new Dataframe with empty/null field values

Answer 2

我会将 lit(None) 转换为 NullType 而不是 StringType。这样一来，如果我们不得不过滤掉该列上的非空行……可以按如下方式轻松完成

df = sc.parallelize([Row(1, "2"), Row(2, "3")]).toDF()

new_df = df.withColumn('new_column', lit(None).cast(NullType()))

new_df.printSchema() 

df_null = new_df.filter(col("new_column").isNull()).show()
df_non_null = new_df.filter(col("new_column").isNotNull()).show()

如果要强制转换为 StringType，请注意不要使用 lit("None")（带引号），因为在 col("new_column").

Answer 3

没有import StringType的选项

df = df.withColumn('foo', F.lit(None).cast('string'))

完整示例：

from pyspark.sql import SparkSession, functions as F

spark = SparkSession.builder.getOrCreate()

df = spark.range(1, 3).toDF('c')
df = df.withColumn('foo', F.lit(None).cast('string'))

df.printSchema()
#     root
#      |-- c: long (nullable = false)
#      |-- foo: string (nullable = true)

df.show()
#     +---+----+
#     |  c| foo|
#     +---+----+
#     |  1|null|
#     |  2|null|
#     +---+----+

向 Spark DataFrame 添加一个空列

Add an empty column to Spark DataFrame

python

dataframe

apache-spark

apache-spark-sql

pyspark