เราจะเชื่อมสองคอลัมน์ใน Apache Spark DataFrame เข้าด้วยกันได้อย่างไร มีฟังก์ชันใดใน Spark SQL ที่เราสามารถใช้ได้หรือไม่?
เราจะเชื่อมสองคอลัมน์ใน Apache Spark DataFrame เข้าด้วยกันได้อย่างไร มีฟังก์ชันใดใน Spark SQL ที่เราสามารถใช้ได้หรือไม่?
คำตอบ:
ด้วย SQL ดิบคุณสามารถใช้CONCAT
:
ใน Python
df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ', v) FROM df")
ในสกาล่า
import sqlContext.implicits._
val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ', v) FROM df")
ตั้งแต่ Spark 1.5.0 คุณสามารถใช้concat
ฟังก์ชันกับ DataFrame API:
ใน Python:
from pyspark.sql.functions import concat, col, lit
df.select(concat(col("k"), lit(" "), col("v")))
ใน Scala:
import org.apache.spark.sql.functions.{concat, lit}
df.select(concat($"k", lit(" "), $"v"))
นอกจากนี้ยังมีconcat_ws
ฟังก์ชันที่ใช้ตัวคั่นสตริงเป็นอาร์กิวเมนต์แรก
นี่คือวิธีตั้งชื่อแบบกำหนดเอง
import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()
ให้,
+--------+--------+
|colname1|colname2|
+--------+--------+
| row11| row12|
| row21| row22|
+--------+--------+
สร้างคอลัมน์ใหม่โดยเชื่อมต่อ:
df = df.withColumn('joined_column',
sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()
+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
| row11| row12| row11_row12|
| row21| row22| row21_row22|
+--------+--------+-------------+
ทางเลือกหนึ่งคอลัมน์สตริง concatenate ใน Spark Scala concat
ใช้
จำเป็นต้องตรวจสอบค่าว่าง เนื่องจากถ้าคอลัมน์ใดคอลัมน์หนึ่งเป็นโมฆะผลลัพธ์จะเป็นโมฆะแม้ว่าคอลัมน์อื่นจะมีข้อมูลก็ตาม
การใช้concat
และwithColumn
:
val newDf =
df.withColumn(
"NEW_COLUMN",
concat(
when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))
การใช้concat
และselect
:
val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")
ด้วยทั้งสองวิธีคุณจะมี NEW_COLUMN ซึ่งค่านี้เป็นการต่อคอลัมน์: COL1 และ COL2 จาก df เดิมของคุณ
concat_ws
แทนการใช้concat
คุณสามารถหลีกเลี่ยงการตรวจสอบค่า NULL ได้
ถ้าคุณต้องการทำโดยใช้ DF คุณสามารถใช้ udf เพื่อเพิ่มคอลัมน์ใหม่ตามคอลัมน์ที่มีอยู่
val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)
//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))
//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )
//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()
จาก Spark 2.3 ( SPARK-22771 ) Spark SQL ||
สนับสนุนผู้ประกอบการ
ตัวอย่างเช่น;
val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")
นี่เป็นอีกวิธีหนึ่งในการทำสิ่งนี้สำหรับ pyspark:
#import concat and lit functions from pyspark.sql.functions
from pyspark.sql.functions import concat, lit
#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])
#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))
#Show the new data frame
personDF.show()
----------RESULT-------------------------
84
+------------+
|East African|
+------------+
| Ethiopian|
| Kenyan|
| Ugandan|
| Rwandan|
+------------+
นี่คือคำแนะนำเมื่อคุณไม่ทราบหมายเลขหรือชื่อของคอลัมน์ใน Dataframe
val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))
v1.5 และสูงกว่า
เชื่อมคอลัมน์อินพุตหลายคอลัมน์เข้าด้วยกันเป็นคอลัมน์เดียว ฟังก์ชันทำงานร่วมกับสตริงไบนารีและคอลัมน์อาร์เรย์ที่เข้ากันได้
เช่น: new_df = df.select(concat(df.a, df.b, df.c))
v1.5 และสูงกว่า
คล้ายกับconcat
แต่ใช้ตัวคั่นที่ระบุ
เช่น: new_df = df.select(concat_ws('-', df.col1, df.col2))
v2.4 และสูงกว่า
ใช้เพื่อเชื่อมต่อแผนที่ส่งคืนการรวมกันของแผนที่ที่กำหนดทั้งหมด
เช่น: new_df = df.select(map_concat("map1", "map2"))
การใช้ตัวดำเนินการ string concat ( ||
):
v2.3 และสูงกว่า
เช่น: df = spark.sql("select col_a || col_b || col_c as abc from table_x")
ข้อมูลอ้างอิง: Spark sql doc
ใน Spark 2.3.0 คุณสามารถทำ:
spark.sql( """ select '1' || column_a from table_a """)
ใน Java คุณสามารถทำสิ่งนี้เพื่อเชื่อมต่อหลายคอลัมน์ โค้ดตัวอย่างมีไว้เพื่อให้คุณเห็นสถานการณ์และวิธีการใช้งานเพื่อความเข้าใจที่ดีขึ้น
SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
.withColumn("concatenatedCol",
concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));
class JavaSparkSessionSingleton {
private static transient SparkSession instance = null;
public static SparkSession getInstance(SparkConf sparkConf) {
if (instance == null) {
instance = SparkSession.builder().config(sparkConf)
.getOrCreate();
}
return instance;
}
}
โค้ดด้านบนเชื่อมต่อ col1, col2, col3 แยกโดย "_" เพื่อสร้างคอลัมน์ที่มีชื่อ "concatenatedCol"
เรามีไวยากรณ์ java ที่สอดคล้องกับกระบวนการด้านล่างหรือไม่
val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))
อีกวิธีในการทำใน pySpark โดยใช้ sqlContext ...
#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])
# Now we can concatenate columns and assign the new column a name
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))
อันที่จริงมีตัวย่อที่สวยงามในตัวเพื่อให้คุณสามารถเชื่อมต่อกันได้โดยไม่จำเป็นต้องใช้ฟังก์ชันที่กำหนดเอง เนื่องจากคุณพูดถึง Spark SQL ดังนั้นฉันเดาว่าคุณกำลังพยายามส่งเป็นคำสั่งที่เปิดเผยผ่าน spark.sql () ถ้าเป็นเช่นนั้นคุณสามารถทำได้ในลักษณะตรงไปตรงมาโดยผ่านคำสั่ง SQL เช่น:
SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;
นอกจากนี้จาก Spark 2.3.0 คุณสามารถใช้คำสั่งที่สอดคล้องกับ:
SELECT col1 || col2 AS concat_column_name FROM <table_name>;
ซึ่งเป็นตัวคั่นที่คุณต้องการ (อาจเป็นพื้นที่ว่างก็ได้เช่นกัน) และเป็นตารางชั่วคราวหรือถาวรที่คุณพยายามอ่าน
เราสามารถใช้ SelectExpr ได้เช่นกัน df1.selectExpr ("*", "upper (_2 || _3) ใหม่")
lit
สร้างคอลัมน์ของ_