将多个列附加到spark中的现有数据框

Question

我需要在现有的spark数据框中附加多个列，其中列名在List中给出，假设新列的值是常量，例如给定的输入列和数据帧是

val columnsNames=List("col1","col2")
val data = Seq(("one", 1), ("two", 2), ("three", 3), ("four", 4))

在追加两列之后，假设col1的常量值为“val1”，col2的值为“val2”，输出数据帧应为

+-----+---+-------+------+
|   _1| _2|col1   |col2|
+-----+---+-------+------+
|  one|  1|val1   |val2|
|  two|  2|val1   |val2|
|three|  3|val1   |val2|
| four|  4|val1   |val2|
+-----+---+-------+------+

我写了一个附加列的函数

def appendColumns (cols: List[String], ds: DataFrame): DataFrame = {

            cols match {

                case Nil => ds
                case h :: Nil => appendColumns(Nil, ds.withColumn(h, lit(h)))
                case h :: tail => appendColumns(tail, ds.withColumn(h, lit(h)))

            }
        }

有没有更好的方法和更多的功能方式来做到这一点。

谢谢

Answer 1

是的，有一种更好，更简单的方法。基本上，你可以使用withColumn进行尽可能多的调用。有了很多列，催化剂，优化火花查询的引擎可能会感到有些不知所措（我曾经有过类似用例的经验）。我甚至看到它在尝试数千列时会在驱动程序上产生OOM。为了避免压力催化剂（并编写更少的代码;-)），你可以简单地使用如下所示的select来完成一个spark命令：

val data = Seq(("one", 1), ("two", 2), ("three", 3), ("four", 4)).toDF
// let's assume that we have a map that associates column names to their values
val columnMap = Map("col1" -> "val1", "col2" -> "val2")
// Let's create the new columns from the map
val newCols = columnMap.keys.map(k => lit(columnMap(k)) as k)
// selecting the old columns + the new ones
data.select(data.columns.map(col) ++ newCols : _*).show
+-----+---+----+----+
|   _1| _2|col1|col2|
+-----+---+----+----+
|  one|  1|val1|val2|
|  two|  2|val1|val2|
|three|  3|val1|val2|
| four|  4|val1|val2|
+-----+---+----+----+

Answer 2

与递归相反，对于有限数量的列，使用foldLeft的更一般方法我认为更通用。使用Databricks Notebook：

import org.apache.spark.sql._
import org.apache.spark.sql.functions._

import spark.implicits._

val columnNames = Seq("c3","c4")
val df = Seq(("one", 1), ("two", 2), ("three", 3), ("four", 4)).toDF("c1", "c2")

def addCols(df: DataFrame, columns: Seq[String]): DataFrame = {
    columns.foldLeft(df)((acc, col) => {
      acc.withColumn(col, lit(col)) })
}

val df2 = addCols(df, columnNames)
df2.show(false)

收益：

+-----+---+---+---+
|c1   |c2 |c3 |c4 |
+-----+---+---+---+
|one  |1  |c3 |c4 |
|two  |2  |c3 |c4 |
|three|3  |c3 |c4 |
|four |4  |c3 |c4 |
+-----+---+---+---+

请注意以下内容：https://medium.com/@manuzhang/the-hidden-cost-of-spark-withcolumn-8ffea517c015虽然情况略有不同，但另一个答案通过选择方法提到了这一点。