如何爆列？

Question

之后：

val df = Seq((1, Vector(2, 3, 4)), (1, Vector(2, 3, 4))).toDF("Col1", "Col2")

我在 Apache Spark 中有这个 DataFrame：

+------+---------+
| Col1 | Col2    |
+------+---------+
|  1   |[2, 3, 4]|
|  1   |[2, 3, 4]|
+------+---------+

如何将其转换为：

+------+------+------+------+
| Col1 | Col2 | Col3 | Col4 |
+------+------+------+------+
|  1   |  2   |  3   |  4   |
|  1   |  2   |  3   |  4   |
+------+------+------+------+

Answer 1

您可以使用地图：

df.map {
    case Row(col1: Int, col2: mutable.WrappedArray[Int]) => (col1, col2(0), col2(1), col2(2))
}.toDF("Col1", "Col2", "Col3", "Col4").show()

Answer 2

不与RDD相互转换的解决方案：

df.select($"Col1", $"Col2"(0) as "Col2", $"Col2"(1) as "Col3", $"Col2"(2) as "Col3")

或有争议的更好：

val nElements = 3
df.select(($"Col1" +: Range(0, nElements).map(idx => $"Col2"(idx) as "Col" + (idx + 2)):_*))

Spark 数组列的大小不固定，例如您可以：

+----+------------+
|Col1|        Col2|
+----+------------+
|   1|   [2, 3, 4]|
|   1|[2, 3, 4, 5]|
+----+------------+

因此无法获得列的数量并创建它们。如果您知道大小始终相同，则可以这样设置 nElements：

val nElements = df.select("Col2").first.getList(0).size

Answer 3

只需添加到 sgvd 的 解决方案：

如果大小不总是一样，你可以这样设置nElements：

val nElements = df.select(size('Col2).as("Col2_count"))
                  .select(max("Col2_count"))
                  .first.getInt(0)

Answer 4

只是给的Pyspark版本。如果数组列在 Col2 中，则此 select 语句会将 Col2 中每个数组的第一个 nElements 移动到它们自己的列中：

from pyspark.sql import functions as F            
df.select([F.col('Col2').getItem(i) for i in range(nElements)])

如何爆列？

How to explode columns?

dataframe

apache-spark

spark-dataframe