如何在 Spark DataFrame 中添加常量列？-IT科技

摘要：问题描述：我想在 a 中添加一个DataFrame具有任意值的列（每行都相同）。当我使用withColumn以下方法时出现错误：dt.withColumn('new_column', 10).head(5) ---------------------------------------------------...

问题描述：

我想在 a 中添加一个DataFrame具有任意值的列（每行都相同）。当我使用withColumn以下方法时出现错误：

dt.withColumn('new_column', 10).head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'

似乎我可以通过添加和减去其他列之一（因此它们加起来为零）然后添加我想要的数字（在本例中为 10）来欺骗函数按我想要的方式工作：

dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)

[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]

这太黑客了吧？我想还有更合法的方法来做这件事吧？

解决方案 1：

Spark 2.2+

Spark 2.2 引入了typedLit对 Seq、、Map和Tuples（SPARK-19254）的支持，并且应支持以下调用（Scala）：

import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, 0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Spark 1.3+ ( lit)、1.4+ ( array、struct)、2.0+ ( map):

的第二个参数DataFrame.withColumn应该是，Column所以您必须使用文字：

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))

如果需要复杂的列，可以使用如下块来构建它们array：

from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

在 Scala 中可以使用完全相同的方法。

import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

为每个字段提供structs使用的名称：alias

df.withColumn(
    "some_struct",
    struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z"))
 )

或cast整个物体

df.withColumn(
    "some_struct", 
    struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>")
 )

也可以使用 UDF，尽管速度较慢。

笔记：

相同的构造可用于将常量参数传递给 UDF 或 SQL 函数。

解决方案 2：

在spark 2.2中，有两种方法可以在DataFrame的列中添加常量值：

1）使用lit

2）使用typedLit。

两者的区别在于它还typedLit可以处理参数化的 Scala 类型，例如 List、Seq 和 Map

示例数据框：

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+

1）使用lit：在名为 newcol 的新列中添加常量字符串值：

import org.apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))

结果：

+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+

2）使用typedLit：

import org.apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))

结果：

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+

解决方案 3：

正如其他答案所描述的，lit以及typedLit如何向 DataFrames 添加常量列。 lit是一个重要的 Spark 函数，您将经常使用它，但不能用于向 DataFrames 添加常量列。

您通常会使用它lit来创建org.apache.spark.sql.Column对象，因为这是大多数所需的列类型org.apache.spark.sql.functions。

假设您有一个带有some_dateDateType 列的 DataFrame，并且想要添加一列，其中包含 2020 年 12 月 31 日至之间的日期some_date。

这是您的 DataFrame：

+----------+
| some_date|
+----------+
|2020-09-23|
|2020-01-05|
|2020-04-12|
+----------+

计算距离年底还有多少天的方法如下：

val diff = datediff(lit(Date.valueOf("2020-12-31")), col("some_date"))
df
  .withColumn("days_till_yearend", diff)
  .show()

+----------+-----------------+
| some_date|days_till_yearend|
+----------+-----------------+
|2020-09-23|               99|
|2020-01-05|              361|
|2020-04-12|              263|
+----------+-----------------+

您还可以使用它lit来创建year_end列并计算如下days_till_yearend：

import java.sql.Date

df
  .withColumn("yearend", lit(Date.valueOf("2020-12-31")))
  .withColumn("days_till_yearend", datediff(col("yearend"), col("some_date")))
  .show()

+----------+----------+-----------------+
| some_date|   yearend|days_till_yearend|
+----------+----------+-----------------+
|2020-09-23|2020-12-31|               99|
|2020-01-05|2020-12-31|              361|
|2020-04-12|2020-12-31|              263|
+----------+----------+-----------------+

大多数情况下，您不需要使用lit将常量列附加到 DataFrame。您只需要使用lit将 Scala 类型转换为org.apache.spark.sql.Column对象，因为这是函数所需要的。

查看datediff函数签名：

在此处输入图片描述

如您所见，datediff需要两个 Column 参数。

解决方案 4：

如果您想在 pyspark 数据框中添加具有某些默认值的新列，则可以使用 withColumn 和 lit() 值添加列，下面是相同的示例。

df_new = df_old.withColumn('new_column_name',lit(New_value))

这里，

new_column_name - 您希望提供的列
new_value - 希望看到的所有记录的默认值。

谢谢

解决方案 5：

添加其他不使用来实现相同目的的方法withColumn

SELECT带临时视图的语句
selectExpr数据框上的方法

`SELECT`带临时视图的语句


df.createOrReplaceTempView("temp_table")

# Write the SQL query to add a new column with a constant value

sql_query = """
SELECT *, 10 AS new_column
FROM temp_table
"""

result_df = spark.sql(sql_query)

result_df.show(5)

`selectExpr`数据框上的方法


# Using selectExpr to add the new column with a constant value
result_df = df.selectExpr("*", "10 as new_column")

result_df.show(5)