我想要什么(非常简化):
我尝试过的一些代码:
def add_columns(cur_typ, target, value):
if cur_typ == target:
return value
return None
schema = T.StructType([T.StructField("name", T.StringType(), True),
T.StructField("typeT", T.StringType(), True),
T.StructField("value", T.IntegerType(), True)])
data = [("x", "a", 3), ("x", "b", 5), ("x", "c", 7), ("y", "a", 1), ("y", "b", 2),
("y", "c", 4), ("z", "a", 6), ("z", "b", 2), ("z", "c", 3)]
df = ctx.spark_session.createDataFrame(ctx.spark_session.sparkContext.parallelize(data), schema)
targets = [i.typeT for i in df.select("typeT").distinct().collect()]
add_columns = F.udf(add_columns)
w = Window.partitionBy('name')
for target in targets:
df = df.withColumn(target, F.max(F.lit(add_columns(df["typeT"], F.lit(target), df["value"]))).over(w))
df = df.drop("typeT", "value").dropDuplicates()
另一个版本:
targets = df.select(F.collect_set("typeT").alias("typeT")).first()["typeT"]
w = Window.partitionBy('name')
for target in targets:
df = df.withColumn(target, F.max(F.lit(F.when(veh["typeT"] == F.lit(target), veh["value"])
.otherwise(None)).over(w)))
df = df.drop("typeT", "value").dropDuplicates()
对于小型数据集,它们都可以工作,但是我有一个具有100万行和5000个不同typeT的数据框。因此,结果应该是大约500 x 5000的表(某些名称没有某些typeT。现在我得到stackoverflow错误(py4j.protocol.Py4JJavaError:调用o7624.withColumn时发生错误。:java.lang.StackOverflowError)尝试创建此数据框。除了增加堆栈大小,我还能做什么?有没有更好的方法来获得相同的结果?
withColumn
不好。创建cols数组,然后选择它们,这将导致更好的性能
cols = [F.col("name")]
for target in targets:
cols.append(F.max(F.lit(add_columns(df["typeT"], F.lit(target), df["value"]))).over(w).alias(target))
df = df.select(cols)
结果相同的输出
+----+---+---+---+ |name| c| b| a| +----+---+---+---+ | x| 7| 5| 3| | z| 3| 2| 6| | y| 4| 2| 1| +----+---+---+---+