Объединение столбцов в Apache Spark DataFrame

Как объединить два столбца в фрейме данных Apache Spark? Есть ли в Spark SQL какая-либо функция, которую мы можем использовать?

С необработанным SQL вы можете использовать CONCAT:

• В Python

  df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
  df.registerTempTable("df")
  sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

• В Scala

  import sqlContext.implicits._
  
  val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
  df.registerTempTable("df")
  sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

Начиная с Spark 1.5.0 вы можете использовать concatфункцию с DataFrame API:

• В Python:

  from pyspark.sql.functions import concat, col, lit
  
  df.select(concat(col("k"), lit(" "), col("v")))

• В Scala:

  import org.apache.spark.sql.functions.{concat, lit}
  
  df.select(concat($"k", lit(" "), $"v"))

Также существует concat_wsфункция, которая принимает в качестве первого аргумента разделитель строк.

Вот как можно настраивать именование

import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()

дает,

+--------+--------+
|colname1|colname2|
+--------+--------+
|   row11|   row12|
|   row21|   row22|
+--------+--------+

создать новый столбец, объединив:

df = df.withColumn('joined_column', 
                    sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()

+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
|   row11|   row12|  row11_row12|
|   row21|   row22|  row21_row22|
+--------+--------+-------------+

Один из вариантов объединения строковых столбцов в Spark Scala - это использование concat.

Необходимо проверить нулевые значения . Поскольку, если один из столбцов имеет значение NULL, результат будет нулевым, даже если в одном из других столбцов есть информация.

Использование concatи withColumn:

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

Использование concatи select:

val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")

В обоих подходах у вас будет NEW_COLUMN, значение которого представляет собой объединение столбцов: COL1 и COL2 из исходного df.

Если вы хотите сделать это с помощью DF, вы можете использовать udf для добавления нового столбца на основе существующих столбцов.

val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)

//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
    Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))

//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )

//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()

Начиная с Spark 2.3 ( SPARK-22771 ) Spark SQL поддерживает оператор конкатенации ||.

Например;

val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")

Вот еще один способ сделать это для pyspark:

#import concat and lit functions from pyspark.sql.functions 
from pyspark.sql.functions import concat, lit

#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])

#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))

#Show the new data frame
personDF.show()

----------RESULT-------------------------

84
+------------+
|East African|
+------------+
|   Ethiopian|
|      Kenyan|
|     Ugandan|
|     Rwandan|
+------------+

Вот предложение, если вы не знаете количество или имя столбцов в Dataframe.

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

concat (* столбцы)

v1.5 и выше

Объединяет несколько входных столбцов в один столбец. Функция работает со строками, двоичными и совместимыми столбцами массива.

Например: new_df = df.select(concat(df.a, df.b, df.c))

concat_ws (сеп, * столбцы)

v1.5 и выше

Аналогично, concatно использует указанный разделитель.

Например: new_df = df.select(concat_ws('-', df.col1, df.col2))

map_concat (* столбцы)

v2.4 и выше

Используется для объединения карт, возвращает объединение всех заданных карт.

Например: new_df = df.select(map_concat("map1", "map2"))

Использование строкового оператора concat ( ||):

v2.3 и выше

Например: df = spark.sql("select col_a || col_b || col_c as abc from table_x")

Ссылка: Spark sql doc

В Spark 2.3.0 вы можете:

spark.sql( """ select '1' || column_a from table_a """)

В Java вы можете сделать это для объединения нескольких столбцов. Образец кода должен предоставить вам сценарий и способы его использования для лучшего понимания.

SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
                        .withColumn("concatenatedCol",
                                concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));


class JavaSparkSessionSingleton {
    private static transient SparkSession instance = null;

    public static SparkSession getInstance(SparkConf sparkConf) {
        if (instance == null) {
            instance = SparkSession.builder().config(sparkConf)
                    .getOrCreate();
        }
        return instance;
    }
}

Приведенный выше код объединил столбцы col1, col2, col3, разделенные знаком «_», чтобы создать столбец с именем «concatenatedCol».

Есть ли у нас синтаксис Java, соответствующий процессу ниже

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

Другой способ сделать это в pySpark, используя sqlContext ...

#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])

# Now we can concatenate columns and assign the new column a name 
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))

В самом деле, есть несколько красивых встроенных абстракций, позволяющих выполнить конкатенацию без необходимости реализации специальной функции. Поскольку вы упомянули Spark SQL, я предполагаю, что вы пытаетесь передать его как декларативную команду через spark.sql (). Если это так, вы можете выполнить прямую передачу команды SQL, например: SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;

Кроме того, начиная с Spark 2.3.0, вы можете использовать команды в строках с: SELECT col1 || col2 AS concat_column_name FROM <table_name>;

Где это ваш предпочтительный разделитель (также может быть пустое пространство) и временная или постоянная таблица, из которой вы пытаетесь читать.

Мы также можем просто использовать SelectExpr. df1.selectExpr ("*", "верхний (_2 || _3) как новый")