有没有办法压缩任意嵌套的Spark Dataframe?我所看到的大部分工作都是针对特定的模式编写的,我希望能够通过不同的嵌套类型(例如StructType,ArrayType,MapType等)来泛化一个Dataframe。
假设我有一个类似的架构:
StructType(List(StructField(field1,...), StructField(field2,...), ArrayType(StructType(List(StructField(nested_field1,...), StructField(nested_field2,...)),nested_array,...)))
希望将其调整为具有如下结构的平台:
field1
field2
nested_array.nested_field1
nested_array.nested_field2
仅供参考,寻找Pyspark的建议,但其他风味的Spark也值得赞赏。
这个问题可能有点旧,但对于那些仍在寻找解决方案的人来说,你可以使用select *来内联复杂的数据类型:
首先让我们创建嵌套的数据帧:
from pyspark.sql import HiveContext
hc = HiveContext(sc)
nested_df = hc.read.json(sc.parallelize(["""
{
"field1": 1,
"field2": 2,
"nested_array":{
"nested_field1": 3,
"nested_field2": 4
}
}
"""]))
现在要压扁它:
flat_df = nested_df.select("field1", "field2", "nested_array.*")
你会在这里找到有用的例子:https://docs.databricks.com/delta/data-transformation/complex-types.html
如果嵌套数组太多,可以使用:
flat_cols = [c[0] for c in nested_df.dtypes if c[1][:6] != 'struct']
nested_cols = [c[0] for c in nested_df.dtypes if c[1][:6] == 'struct']
flat_df = nested_df.select(*flat_cols, *[c + ".*" for c in nested_cols])
这是我最后的方法:
1)将数据帧中的行映射到dict的rdd。在线找到合适的python代码来展平字典。
flat_rdd = nested_df.map(lambda x : flatten(x))
哪里
def flatten(x):
x_dict = x.asDict()
...some flattening code...
return x_dict
2)将RDD [dict]转换回数据帧
flat_df = sqlContext.createDataFrame(flat_rdd)
以下要点将展平嵌套json的结构,
import typing as T
import cytoolz.curried as tz
import pyspark
def schema_to_columns(schema: pyspark.sql.types.StructType) -> T.List[T.List[str]]:
"""
Produce a flat list of column specs from a possibly nested DataFrame schema
"""
columns = list()
def helper(schm: pyspark.sql.types.StructType, prefix: list = None):
if prefix is None:
prefix = list()
for item in schm.fields:
if isinstance(item.dataType, pyspark.sql.types.StructType):
helper(item.dataType, prefix + [item.name])
else:
columns.append(prefix + [item.name])
helper(schema)
return columns
def flatten_frame(frame: pyspark.sql.DataFrame) -> pyspark.sql.DataFrame:
aliased_columns = list()
for col_spec in schema_to_columns(frame.schema):
c = tz.get_in(col_spec, frame)
if len(col_spec) == 1:
aliased_columns.append(c)
else:
aliased_columns.append(c.alias(':'.join(col_spec)))
return frame.select(aliased_columns)
然后,您可以将嵌套数据展平为
flatten_data = flatten_frame(nested_df)
这将为您提供展平的数据框。
要点取自https://gist.github.com/DGrady/b7e7ff3a80d7ee16b168eb84603f5599