我在使用PySpark 2.0版的以下场景中遇到问题,我有一个DataFrame,其中的一列包含一个具有开始和结束值的数组,例如[1000, 1010]
我想知道如何创建和计算另一列,该列包含一个包含给定范围内所有值的数组?生成的范围值列的结果将是:
+--------------+-------------+-----------------------------+
| Description| Accounts| Range|
+--------------+-------------+-----------------------------+
| Range 1| [101, 105]| [101, 102, 103, 104, 105]|
| Range 2| [200, 203]| [200, 201, 202, 203]|
+--------------+-------------+-----------------------------+
您应该使用UDF(UDF sample)考虑您的pyspark数据框名称为df,您的数据框可能像这样:
import numpy as np
df = spark.createDataFrame(
[("Range 1", list([101,105])),
("Range 2", list([200, 203]))],
("Description", "Accounts"))
您的解决方案是这样的:
import pyspark.sql.functions as F
def make_range_number(arr):
number_range = np.arange(arr[0], arr[1]+1, 1).tolist()
return number_range
range_udf = F.udf(make_range_number)
df = df.withColumn("Range", range_udf(F.col("Accounts")))
玩得开心!:)