根据列值是否在另一列中将列添加到 PySpark DataFrame

Question

我有一个 PySpark DataFrame，其结构由

[('u1', 1, [1 ,2, 3]), ('u1', 4, [1, 2, 3])].toDF('user', 'item', 'fav_items')

我需要根据 'item' 是否在 'fav_items' 中，添加 1 或 0 的另一列。

所以我想要

[('u1', 1, [1 ,2, 3], 1), ('u1', 4, [1, 2, 3], 0)]

我如何将第二列查找到第三列以确定值，然后如何添加它？

Answer 1

以下代码执行请求的任务。定义了一个用户定义的函数，它接收 DataFrame 的两列作为参数。因此，对于每一行，搜索项目是否在项目列表中。如果找到该项目，则 1 为 return，否则为 0。

# Imports
from pyspark.sql.types import IntegerType
from pyspark.sql.functions import udf
# First we create a RDD in order to create a dataFrame:
rdd = sc.parallelize([('u1', 1, [1 ,2, 3]), ('u1', 4, [1, 2, 3])])
df = rdd.toDF(['user', 'item', 'fav_items'])
# Print dataFrame
df.show()

# We make an user define function that receives two columns and do operation
function = udf(lambda item, items: 1 if item in items else 0, IntegerType())

df.select('user', 'item', 'fav_items', function(col('item'), col('fav_items')).alias('result')).show()

这里是结果：

+----+----+---------+
|user|item|fav_items|
+----+----+---------+
|  u1|   1|[1, 2, 3]|
|  u1|   4|[1, 2, 3]|
+----+----+---------+

+----+----+---------+------+
|user|item|fav_items|result|
+----+----+---------+------+
|  u1|   1|[1, 2, 3]|     1|
|  u1|   4|[1, 2, 3]|     0|
+----+----+---------+------+

Answer 2

纯属娱乐的非UDF解决方案：

from pyspark.sql.functions import col, first, explode, max as max_

result = (
    # Here we take exploded rows and for each row check if there
    # is a match. We cast to integer (false -> 0, true -> 1)
    # and take max (1 if there is any match)
    max_((col("fav_item") == col("item")).cast("integer"))
).alias("result")


(df.repartition("user", "item") 
  # Explode array so we compare item and fav_item
  .withColumn("fav_item", explode("fav_items")) 
  .groupBy("user", "item")
  # Aggregate
  # we add result and retain fav_items
  .agg(result, first("fav_items").alias("fav_items")))

所以它只是：

展开fav_array:

## +----+----+---------+--------+
## |user|item|fav_items|fav_item|
## +----+----+---------+--------+
## |  u1|   1|[1, 2, 3]|       1|
## |  u1|   1|[1, 2, 3]|       2|
## |  u1|   1|[1, 2, 3]|       3|
## |  u1|   4|[1, 2, 3]|       1|
## |  u1|   4|[1, 2, 3]|       2|
## |  u1|   4|[1, 2, 3]|       3|
## +----+----+---------+--------+

检查是否 fav_item = item（_1 是 (col("fav_item") == col("item")).cast("integer") 表达式的结果）：

## +----+----+---------+--------+---+
## |user|item|fav_items|fav_item| _1|
## +----+----+---------+--------+---+
## |  u1|   1|[1, 2, 3]|       1|  1|
## |  u1|   1|[1, 2, 3]|       2|  0|
## |  u1|   1|[1, 2, 3]|       3|  0|
## |  u1|   4|[1, 2, 3]|       1|  0|
## |  u1|   4|[1, 2, 3]|       2|  0|
## |  u1|   4|[1, 2, 3]|       3|  0|
## +----+----+---------+--------+---+

并回滚保持 user 和 item 作为组列，任意 fav_items （都相同）和临时列的最大值 _1（0 或 1）。

不过我会选择 UDF。

根据列值是否在另一列中将列添加到 PySpark DataFrame

Adding column to PySpark DataFrame depending on whether column value is in another column

python

apache-spark

apache-spark-sql

pyspark