根据列值是否在另一列中向PySpark数据帧添加列

Question

我有一个PySpark数据帧，其结构由

[('u1', 1, [1 ,2, 3]), ('u1', 4, [1, 2, 3])].toDF('user', 'item', 'fav_items')

我需要添加一个1或0的列，这取决于“item”是否在“fav_items”中。

所以我想

[('u1', 1, [1 ,2, 3], 1), ('u1', 4, [1, 2, 3], 0)]

如何查找第二列到第三列以确定值，然后如何添加它？

Answer 1

只是为了好玩，非自定义项解决方案：

from pyspark.sql.functions import col, first, explode, max as max_

result = (
    # Here we take exploded rows and for each row check if there
    # is a match. We cast to integer (false -> 0, true -> 1)
    # and take max (1 if there is any match)
    max_((col("fav_item") == col("item")).cast("integer"))
).alias("result")


(df.repartition("user", "item") 
  # Explode array so we compare item and fav_item
  .withColumn("fav_item", explode("fav_items")) 
  .groupBy("user", "item")
  # Aggregate
  # we add result and retain fav_items
  .agg(result, first("fav_items").alias("fav_items")))

所以它只是：

• 展开fav_array：

  ## +----+----+---------+--------+
  ## |user|item|fav_items|fav_item|
  ## +----+----+---------+--------+
  ## |  u1|   1|[1, 2, 3]|       1|
  ## |  u1|   1|[1, 2, 3]|       2|
  ## |  u1|   1|[1, 2, 3]|       3|
  ## |  u1|   4|[1, 2, 3]|       1|
  ## |  u1|   4|[1, 2, 3]|       2|
  ## |  u1|   4|[1, 2, 3]|       3|
  ## +----+----+---------+--------+
  

• 检查fav_item=item（_1是否是(col("fav_item") == col("item")).cast("integer")表达式的结果）：

  ## +----+----+---------+--------+---+
  ## |user|item|fav_items|fav_item| _1|
  ## +----+----+---------+--------+---+
  ## |  u1|   1|[1, 2, 3]|       1|  1|
  ## |  u1|   1|[1, 2, 3]|       2|  0|
  ## |  u1|   1|[1, 2, 3]|       3|  0|
  ## |  u1|   4|[1, 2, 3]|       1|  0|
  ## |  u1|   4|[1, 2, 3]|       2|  0|
  ## |  u1|   4|[1, 2, 3]|       3|  0|
  ## +----+----+---------+--------+---+
  

• 并将其回滚，保持user和item作为组列，任意fav_items（都相同）和临时列_1（0或1）的最大值。

不过，我还是要用UDF。

Answer 2

以下代码执行请求的任务。定义了一个用户定义的函数，它接收一个DataFrame的两列作为参数。因此，对于每一行，搜索项目是否在项目列表中。如果找到该项，则返回1，否则返回0。

# Imports
from pyspark.sql.types import IntegerType
from pyspark.sql.functions import udf
# First we create a RDD in order to create a dataFrame:
rdd = sc.parallelize([('u1', 1, [1 ,2, 3]), ('u1', 4, [1, 2, 3])])
df = rdd.toDF(['user', 'item', 'fav_items'])
# Print dataFrame
df.show()

# We make an user define function that receives two columns and do operation
function = udf(lambda item, items: 1 if item in items else 0, IntegerType())

df.select('user', 'item', 'fav_items', function(col('item'), col('fav_items')).alias('result')).show()

结果如下：

+----+----+---------+
|user|item|fav_items|
+----+----+---------+
|  u1|   1|[1, 2, 3]|
|  u1|   4|[1, 2, 3]|
+----+----+---------+

+----+----+---------+------+
|user|item|fav_items|result|
+----+----+---------+------+
|  u1|   1|[1, 2, 3]|     1|
|  u1|   4|[1, 2, 3]|     0|
+----+----+---------+------+