[python] Spark DataFrame에 상수 열을 추가하는 방법은 무엇입니까?

Program / 글쓴이

DataFrame임의의 값 으로 열을 추가하고 싶습니다 (각 행마다 동일). withColumn다음과 같이 사용할 때 오류가 발생 합니다.

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'

다른 열 중 하나를 더하고 빼서 (0에 추가) 원하는 숫자 (이 경우 10)를 추가하여 함수를 원하는대로 작동시킬 수있는 것처럼 보입니다.

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)]

이것은 매우 해키입니다. 나는 이것을하는 더 합법적 인 방법이 있다고 가정합니까?

답변

스파크 2.2+

2.2 소개합니다 스파크 typedLit지원하기 위해 Seq, Map그리고 Tuples( SPARK-19254 ) 및 다음 호출이 지원되어야한다 (스칼라) :

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)))

스파크 1.3+ ( lit), 1.4+ ( array, struct), 2.0+ ( map) :

두 번째 인수 는 리터럴을 사용해야하므로 그렇게 DataFrame.withColumn해야합니다 Column.

from pyspark.sql.functions import lit

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

복잡한 열이 필요한 경우 다음과 같은 블록을 사용하여 열을 만들 수 있습니다 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)))

스칼라에서도 정확히 같은 방법을 사용할 수 있습니다.

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)))

각 필드 에서 structs사용할 이름을 제공하려면 alias다음을 수행하십시오.

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

또는 cast전체 개체에

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

속도는 느리지 만 UDF를 사용하는 것도 가능합니다.

참고 :

동일한 구문을 사용하여 상수 인수를 UDF 또는 SQL 함수에 전달할 수 있습니다.

답변

spark 2.2에는 DataFrame의 열에 상수 값을 추가하는 두 가지 방법이 있습니다.

1) 사용 lit

2) 사용 typedLit.

둘의 차이점은 typedLit매개 변수화 된 스칼라 유형 (예 : List, Seq 및 Map)도 처리 할 수 있다는 것입니다

샘플 데이터 프레임 :

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

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

1) 사용 lit: newcol이라는 새 열에 상수 문자열 값 추가 :

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

결과:

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

2) 사용 typedLit:

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

결과:

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

답변