pyspark 用另一个值替换数据框中的所有值

Question

我的 pyspark 数据框中有 500 列...有些是字符串类型，有些是 int 和一些布尔值（100 个布尔值列）。现在，所有布尔列都有两个不同的级别 - 是和否，我想将它们转换为 1/0

对于字符串，我有三个值——通过、失败和空。如何用 0 替换这些空值？ fillna(0) 仅适用于整数

 c1| c2 |    c3 |c4|c5..... |c500
yes| yes|passed |45....
No | Yes|failed |452....
Yes|No  |None   |32............

当我做的时候

df.replace(yes,1)

我收到以下错误：

ValueError: Mixed type replacements are not supported

Answer 1

我试图用以下数据复制你的问题：

df_test=pd.DataFrame([['yes','pass',1.2],['No','pass',34],['yes',None,0.4],[0,1,'No'],['No',1,True],['NO','YES',1]])

那我就用：

df_test.replace('yes',1)

Answer 2

您应该尝试使用 df.na.fill()，但在 fill 函数的参数中区分列。

你会得到类似的东西：

df_test.na.fill({"value":"","c4":0}).show()

Answer 3

对于字符串，我有三个值——通过、失败和空。如何用 0 替换这些空值？ fillna(0) 仅适用于整数

首先导入when和lit

from pyspark.sql.functions import when, lit

假设您的 DataFrame 有这些列

# Reconstructing my DataFrame based on your assumptions
# cols are Columns in the DataFrame
cols = ['name', 'age', 'col_with_string']

# Similarly the values
vals = [
     ('James', 18, 'passed'),
     ('Smith', 15, 'passed'),
     ('Albie', 32, 'failed'),
     ('Stacy', 33, None),
     ('Morgan', 11, None),
     ('Dwight', 12, None),
     ('Steve', 16, 'passed'), 
     ('Shroud', 22, 'passed'),
     ('Faze', 11,'failed'),
     ('Simple', 13, None)
]

# This will create a DataFrame using 'cols' and 'vals'
# spark is an object of SparkSession
df = spark.createDataFrame(vals, cols)

# We have the following DataFrame
df.show()

+------+---+---------------+
|  name|age|col_with_string|
+------+---+---------------+
| James| 18|         passed|
| Smith| 15|         passed|
| Albie| 32|         failed|
| Stacy| 33|           null|
|Morgan| 11|           null|
|Dwight| 12|           null|
| Steve| 16|         passed|
|Shroud| 22|         passed|
|  Faze| 11|         failed|
|Simple| 13|           null|
+------+---+---------------+

您可以使用：

withColumn() - 指定要使用的列。
isNull() - 过滤器计算结果为 true 当且仅当 属性计算结果为 null
lit() - 为文字创建一个列
when(), otherwise() - 用于检查关于列

我可以将空值替换为 0

df = df.withColumn('col_with_string', when(df.col_with_string.isNull(), 
lit('0')).otherwise(df.col_with_string))

# We have replaced nulls with a '0'
df.show()

+------+---+---------------+
|  name|age|col_with_string|
+------+---+---------------+
| James| 18|         passed|
| Smith| 15|         passed|
| Albie| 32|         failed|
| Stacy| 33|              0|
|Morgan| 11|              0|
|Dwight| 12|              0|
| Steve| 16|         passed|
|Shroud| 22|         passed|
|  Faze| 11|         failed|
|Simple| 13|              0|
+------+---+---------------+

您问题的第 1 部分：Yes/No 布尔值 - 您提到过，布尔值有 100 列。为此，我通常用更新的值重建 table 或创建 UDF returns 1 或 0 表示是或否。

我正在向 DataFrame (df) 添加另外两列 can_vote 和 can_lotto

df = df.withColumn("can_vote", col('Age') >= 18)
df = df.withColumn("can_lotto", col('Age') > 16) 

# Updated DataFrame will be
df.show()

+------+---+---------------+--------+---------+
|  name|age|col_with_string|can_vote|can_lotto|
+------+---+---------------+--------+---------+
| James| 18|         passed|    true|     true|
| Smith| 15|         passed|   false|    false|
| Albie| 32|         failed|    true|     true|
| Stacy| 33|              0|    true|     true|
|Morgan| 11|              0|   false|    false|
|Dwight| 12|              0|   false|    false|
| Steve| 16|         passed|   false|    false|
|Shroud| 22|         passed|    true|     true|
|  Faze| 11|         failed|   false|    false|
|Simple| 13|              0|   false|    false|
+------+---+---------------+--------+---------+

假设您有与 can_vote 和 can_lotto 相似的列（布尔值为 Yes/No）

您可以使用以下代码行来获取 DataFrame 中具有布尔类型的列

col_with_bool = [item[0] for item in df.dtypes if item[1].startswith('boolean')]

这个returns一个列表

['can_vote', 'can_lotto']

您可以创建一个 UDF 并迭代此类列表中的每一列，使用 1（是）或 0（否）点亮每一列。

参考以下链接

isNull(): https://spark.apache.org/docs/2.2.0/api/java/org/apache/spark/sql/sources/IsNull.html
点亮，当：https://spark.apache.org/docs/1.6.2/api/java/org/apache/spark/sql/functions.html

Answer 4

您可以使用 Koalas 执行 Pandas 类似于 spark 中的操作。但是，您需要尊重给定数据框的模式。使用 Koalas，您可以执行以下操作：

df = df.replace('yes','1')

将所有字符串替换为数字后，您可以将该列转换为 int。如果您想用 NaN 替换某些空值，我建议您执行以下操作：

df = df .replace(['?'], None)

pyspark 用另一个值替换数据框中的所有值

pyspark replace all values in dataframe with another values

python

pyspark

pyspark-sql