将PySpark数据帧中的一行拆分为多行

Question

我现在有一个数据框，其中一列是“a b c d e…”类型的。将此列称为“col4”

我想通过拆分col4的元素将一行拆分为多行，保留所有其他列的值。

例如，给定一个具有单行的df：

col1[0] | col2[0] | col3[0] | a b c |

我希望输出为：

col1[0] | col2[0] | col3[0] | a |

col1[0] | col2[0] | col3[0] | b |

col1[0] | col2[0] | col3[0] | c |

使用split和explode函数，我尝试了以下操作：

d = COMBINED_DF.select(col1, col2, col3, explode(split(my_fun(col4), " ")))

但是，这会导致以下输出：

col1[0] | col2[0] | col3[0] | a b c |

col1[0] | col2[0] | col3[0] | a b c |

col1[0] | col2[0] | col3[0] | a b c |

这不是我想要的。

Answer 1

下面是一个可重复的例子：

# Create dummy data
df = sc.parallelize([(1, 2, 3, 'a b c'),
                     (4, 5, 6, 'd e f'),
                     (7, 8, 9, 'g h i')]).toDF(['col1', 'col2', 'col3','col4'])


# Explode column
from pyspark.sql.functions import split, explode
df.withColumn('col4',explode(split('col4',' '))).show()
+----+----+----+----+
|col1|col2|col3|col4|
+----+----+----+----+
|   1|   2|   3|   a|
|   1|   2|   3|   b|
|   1|   2|   3|   c|
|   4|   5|   6|   d|
|   4|   5|   6|   e|
|   4|   5|   6|   f|
|   7|   8|   9|   g|
|   7|   8|   9|   h|
|   7|   8|   9|   i|
+----+----+----+----+