如何根据 PySpark 数据框另一列中的值修改一列？ F.when 边缘案例

Question

我想遍历 pyspark 数据框中的每一行，并根据另一列的内容更改一列的值。我将其更改为的值也是基于要更改的列的当前值。

具体来说，我有一列包含 DenseVectors，另一列包含我需要的向量的索引。

或者，我也可以将 DenseVector 替换为 DenseVector 中两个值中的较大值。

我主要尝试将 F.when() 与 withColumn 结合使用，但我运行遇到了 F.when() 的第二个元素的问题，因为我想存储向量的正确索引，但不能直接在列上索引。

   a                        b  
1  DenseVector([0.1, 0.9])  1.0
2  DenseVector([0.6, 0.4])  0.0
.
.
.

df = df.withColumn('a', F.when(df.b == 0.0, df.a[0])
                  .otherwise(df.a[1])

Answer 1

我能够根据 this question 的答案中找到的信息得出解决方案。

Spark 中似乎存在一个错误，它不允许您对 Spark 数据帧中包含的 DenseVectors 进行索引。这可以通过创建一个用户定义的函数来解决，该函数像 numpy 数组一样访问元素。

from pyspark.sql import functions as F
from pyspark.sql import types as T

firstelement=F.udf(lambda v:float(v[0]),T.FloatType())
secondelement=F.udf(lambda v:float(v[1]),T.FloatType())


df = df.withColumn('a', F.when(df['b'] == 0.0, 
     firstelement('a')).otherwise(secondelement('a'))

如何根据 PySpark 数据框另一列中的值修改一列？ F.when 边缘案例

How to modify a column based on the values in another column of a PySpark dataframe? F.when edge case

python

dataframe

apache-spark-sql

pyspark

pyspark-sql