我有一个具有多列的pyspark数据帧。例如下面的一个
from pyspark.sql import Row
l = [('Jack',"a","p"),('Jack',"b","q"),('Bell',"c","r"),('Bell',"d","s")]
rdd = sc.parallelize(l)
score_rdd = rdd.map(lambda x: Row(name=x[0], letters1=x[1], letters2=x[2]))
score_card = sqlContext.createDataFrame(score_rdd)
+----+--------+--------+
|name|letters1|letters2|
+----+--------+--------+
|Jack| a| p|
|Jack| b| q|
|Bell| c| r|
|Bell| d| s|
+----+--------+--------+
现在我想按“名称”分组,并将两列的每一行中的值连接起来。 我知道怎么做,但假设有数千行,那么我的代码就会变得非常难看。 这是我的解决办法
import pyspark.sql.functions as f
t = score_card.groupby("name").agg(
f.concat_ws("",collect_list("letters1").alias("letters1")),
f.concat_ws("",collect_list("letters2").alias("letters2"))
)
这是我在CSV文件中保存时得到的输出
+----+--------+--------+
|name|letters1|letters2|
+----+--------+--------+
|Jack| ab| pq|
|Bell| cd| rs|
+----+--------+--------+
但我主要关心的是这两行代码
f.concat_ws("",collect_list("letters1").alias("letters1")),
f.concat_ws("",collect_list("letters2").alias("letters2"))
如果有数千列,那么我将不得不重复上面的代码数千次。有没有更简单的解决方案,这样我就不必对每一列重复f.concat_ws()
我到处都找遍了,没能找到解决办法
是的,您可以在agg函数中使用for循环并遍历df.columns。如果有帮助,请告诉我
相关问题 更多 >
编程相关推荐