web-dev-qa-db-de.com

Wie glätten Sie eine Struktur in einem Spark-Datenrahmen?

Ich habe ein Datenfeld mit folgender Struktur:

 |-- data: struct (nullable = true)
 |    |-- id: long (nullable = true)
 |    |-- keyNote: struct (nullable = true)
 |    |    |-- key: string (nullable = true)
 |    |    |-- note: string (nullable = true)
 |    |-- details: map (nullable = true)
 |    |    |-- key: string
 |    |    |-- value: string (valueContainsNull = true)

So können Sie die Struktur reduzieren und einen neuen Datenrahmen erstellen:

     |-- id: long (nullable = true)
     |-- keyNote: struct (nullable = true)
     |    |-- key: string (nullable = true)
     |    |-- note: string (nullable = true)
     |-- details: map (nullable = true)
     |    |-- key: string
     |    |-- value: string (valueContainsNull = true)

Gibt es so etwas wie explodieren, aber für structs?

14
djWann

Dies sollte in Spark 1.6 oder höher funktionieren:

df.select(df.col("data.*"))

oder

df.select(df.col("data.id"), df.col("data.keyNote"), df.col("data.details"))
35
user6022341

Hier ist eine Funktion, die das tut, was Sie wollen, und das mit mehreren verschachtelten Spalten umgehen kann, die Spalten mit demselben Namen enthalten:

def flatten_df(nested_df):
    flat_cols = [c[0] for c in nested_df.dtypes if c[1][:6] != 'struct']
    nested_cols = [c[0] for c in nested_df.dtypes if c[1][:6] == 'struct']

    flat_df = nested_df.select(flat_cols +
                               [F.col(nc+'.'+c).alias(nc+'_'+c)
                                for nc in nested_cols
                                for c in nested_df.select(nc+'.*').columns])
    return flat_df

Vor:

root
 |-- x: string (nullable = true)
 |-- y: string (nullable = true)
 |-- foo: struct (nullable = true)
 |    |-- a: float (nullable = true)
 |    |-- b: float (nullable = true)
 |    |-- c: integer (nullable = true)
 |-- bar: struct (nullable = true)
 |    |-- a: float (nullable = true)
 |    |-- b: float (nullable = true)
 |    |-- c: integer (nullable = true)

Nach dem:

root
 |-- x: string (nullable = true)
 |-- y: string (nullable = true)
 |-- foo_a: float (nullable = true)
 |-- foo_b: float (nullable = true)
 |-- foo_c: integer (nullable = true)
 |-- bar_a: float (nullable = true)
 |-- bar_b: float (nullable = true)
 |-- bar_c: integer (nullable = true)
3
steco

Diese flatten_df version reduziert den Datenrahmen auf jeder Ebenenebene mithilfe eines Stapels, um rekursive Aufrufe zu vermeiden:

from pyspark.sql.functions import col


def flatten_df(nested_df):
    stack = [((), nested_df)]
    columns = []

    while len(stack) > 0:
        parents, df = stack.pop()

        flat_cols = [
            col(".".join(parents + (c[0],))).alias("_".join(parents + (c[0],)))
            for c in df.dtypes
            if c[1][:6] != "struct"
        ]

        nested_cols = [
            c[0]
            for c in df.dtypes
            if c[1][:6] == "struct"
        ]

        columns.extend(flat_cols)

        for nested_col in nested_cols:
            projected_df = df.select(nested_col + ".*")
            stack.append((parents + (nested_col,), projected_df))

    return nested_df.select(columns)

Beispiel:

from pyspark.sql.types import StringType, StructField, StructType


schema = StructType([
    StructField("some", StringType()),

    StructField("nested", StructType([
        StructField("nestedchild1", StringType()),
        StructField("nestedchild2", StringType())
    ])),

    StructField("renested", StructType([
        StructField("nested", StructType([
            StructField("nestedchild1", StringType()),
            StructField("nestedchild2", StringType())
        ]))
    ]))
])

data = [
    {
        "some": "value1",
        "nested": {
            "nestedchild1": "value2",
            "nestedchild2": "value3",
        },
        "renested": {
            "nested": {
                "nestedchild1": "value4",
                "nestedchild2": "value5",
            }
        }
    }
]

df = spark.createDataFrame(data, schema)
flat_df = flatten_df(df)
print(flat_df.collect())

Drucke:

[Row(some=u'value1', renested_nested_nestedchild1=u'value4', renested_nested_nestedchild2=u'value5', nested_nestedchild1=u'value2', nested_nestedchild2=u'value3')]
2
federicojasson

Ich verallgemeinerte die Lösung von stecos etwas mehr, sodass die Abflachung auf mehr als zwei Strukturschichten erfolgen kann:

def flatten_df(nested_df, layers):
    flat_cols = []
    nested_cols = []
    flat_df = []

    flat_cols.append([c[0] for c in nested_df.dtypes if c[1][:6] != 'struct'])
    nested_cols.append([c[0] for c in nested_df.dtypes if c[1][:6] == 'struct'])

    flat_df.append(nested_df.select(flat_cols[0] +
                               [col(nc+'.'+c).alias(nc+'_'+c)
                                for nc in nested_cols[0]
                                for c in nested_df.select(nc+'.*').columns])
                  )
    for i in range(1, layers):
        print (flat_cols[i-1])
        flat_cols.append([c[0] for c in flat_df[i-1].dtypes if c[1][:6] != 'struct'])
        nested_cols.append([c[0] for c in flat_df[i-1].dtypes if c[1][:6] == 'struct'])

        flat_df.append(flat_df[i-1].select(flat_cols[i] +
                                [col(nc+'.'+c).alias(nc+'_'+c)
                                    for nc in nested_cols[i]
                                    for c in flat_df[i-1].select(nc+'.*').columns])
        )

    return flat_df[-1]

einfach anrufen mit:

my_flattened_df = flatten_df(my_df_having_nested_structs, 3)

(Der zweite Parameter ist die Ebene der Ebenen, die abgeflacht werden sollen, in meinem Fall 3).

2
Aydin K.

Eine einfache Methode ist die Verwendung von SQL. Sie können eine SQL-Abfragezeichenfolge erstellen, um verschachtelte Alias-Spalten als flache Spalten zu erstellen.

  1. Datenrahmenschema abrufen (df.schema ()) 
  2. Konvertieren Sie das Schema in SQL (Für (Feld: Schema (). Felder ()) ....
  3. Abfrage "val newDF = SqlContext.sql (" SELECT "+ sqlGenerated +" FROM source ")

Ein Beispiel in Java:

https://Gist.github.com/ebuildy/3de0e2855498e5358e4eed1a4f72ea48

(Ich bevorzuge die SQL-Methode, so dass Sie es einfach auf Spark-Shell testen können, und es ist sprachübergreifend).

1
Thomas Decaux