Como adicionar uma coluna constante em um Spark DataFrame?

137

Eu quero adicionar uma coluna em um DataFramecom algum valor arbitrário (que é o mesmo para cada linha). Eu recebo um erro quando uso da withColumnseguinte maneira:

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'

Parece que eu posso enganar a função para que ela funcione como eu quero, adicionando e subtraindo uma das outras colunas (para que sejam adicionadas a zero) e adicionando o número que eu quero (10 neste caso):

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)]

Isso é extremamente hacky, certo? Presumo que exista uma maneira mais legítima de fazer isso?

Evan Zamir
fonte

Respostas:

221

Spark 2.2+

O Spark 2.2 apresenta typedLitsuporte Seq, Mape Tuples( SPARK-19254 ) e as seguintes chamadas devem ser suportadas (Scala):

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)))

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

O segundo argumento para DataFrame.withColumndeve ser um, Columnentão você deve usar um literal:

from pyspark.sql.functions import lit

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

Se você precisar de colunas complexas, poderá construí-las usando blocos como 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)))

Exatamente os mesmos métodos podem ser usados ​​no Scala.

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)))

Para fornecer nomes para structsuso aliasem cada campo:

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

ou castem todo o objeto

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

Também é possível, embora mais lento, usar um UDF.

Nota :

As mesmas construções podem ser usadas para passar argumentos constantes para UDFs ou funções SQL.

zero323
fonte
1
Para outras pessoas que usam isso para implementar ... o método withColumn retorna um novo DataFrame adicionando uma coluna ou substituindo a coluna existente que tem o mesmo nome, portanto, você precisará reatribuir os resultados para df ou atribuir a uma nova variável. Por exemplo, `df = df.withColumn ('new_column', lit (10)) '
Even Mien
com toda iteração, podemos alterar os valores dentro da coluna? Eu já tentei isso, for i in range(len(item)) : df.withColumn('new_column', lit({}).format(i)) mas isso não funciona
Tracy
30

No spark 2.2, há duas maneiras de adicionar valor constante em uma coluna no DataFrame:

1) Usando lit

2) Usando typedLit.

A diferença entre os dois é que typedLittambém pode lidar com tipos de escala com parâmetros, por exemplo, Lista, Seq e Mapa

DataFrame de amostra:

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

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

1) Usando lit: Adicionando valor constante da string na nova coluna denominada newcol:

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

Resultado:

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

2) Usando typedLit:

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

Resultado:

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+
Ayush Vatsyayan
fonte
Você poderia compartilhar a versão completa, juntamente com a declaração de importação
Ayush Vatsyayan
versão 2.2.1 do spark. A instrução import é de pyspark.sql.functions import typedLit. Também tentei o que você compartilhou acima.
braj