Spark sql как взорваться без потери нулевых значений

У меня есть датафрейм, который я пытаюсь сплющить. Как часть процесса, я хочу разобрать его, поэтому, если у меня есть столбец массивов, каждое значение массива будет использоваться для создания отдельной строки. Например,

id | name | likes
_______________________________
1  | Luke | [baseball, soccer]

должен стать

id | name | likes
_______________________________
1  | Luke | baseball
1  | Luke | soccer

Это мой код

private DataFrame explodeDataFrame(DataFrame df) {
    DataFrame resultDf = df;
    for (StructField field : df.schema().fields()) {
        if (field.dataType() instanceof ArrayType) {
            resultDf = resultDf.withColumn(field.name(), org.apache.spark.sql.functions.explode(resultDf.col(field.name())));
            resultDf.show();
        }
    }
    return resultDf;
}

Проблема в том, что в моих данных некоторые столбцы массива имеют нулевые значения. В этом случае вся строка удаляется. Итак, этот фрейм данных:

id | name | likes
_______________________________
1  | Luke | [baseball, soccer]
2  | Lucy | null

становится

id | name | likes
_______________________________
1  | Luke | baseball
1  | Luke | soccer

вместо

id | name | likes
_______________________________
1  | Luke | baseball
1  | Luke | soccer
2  | Lucy | null

Как я могу взорвать свои массивы, чтобы не потерять пустые строки?

Я использую Spark 1.5.2 и Java 8

Ответы

Ответ 1

Искра 2.2 +

Вы можете использовать функцию explode_outer:

import org.apache.spark.sql.functions.explode_outer

df.withColumn("likes", explode_outer($"likes")).show

// +---+----+--------+
// | id|name|   likes|
// +---+----+--------+
// |  1|Luke|baseball|
// |  1|Luke|  soccer|
// |  2|Lucy|    null|
// +---+----+--------+

Spark & lt; = 2.1

В Scala, но эквивалент Java должен быть почти идентичным (для импорта отдельных функций используйте import static).

import org.apache.spark.sql.functions.{array, col, explode, lit, when}

val df = Seq(
  (1, "Luke", Some(Array("baseball", "soccer"))),
  (2, "Lucy", None)
).toDF("id", "name", "likes")

df.withColumn("likes", explode(
  when(col("likes").isNotNull, col("likes"))
    // If null explode an array<string> with a single null
    .otherwise(array(lit(null).cast("string")))))

Идея здесь состоит в том, чтобы заменить NULL на array(NULL) желаемого типа. Для сложного типа (a.k.a structs) вам необходимо предоставить полную схему:

val dfStruct = Seq((1L, Some(Array((1, "a")))), (2L, None)).toDF("x", "y")

val st =  StructType(Seq(
  StructField("_1", IntegerType, false), StructField("_2", StringType, true)
))

dfStruct.withColumn("y", explode(
  when(col("y").isNotNull, col("y"))
    .otherwise(array(lit(null).cast(st)))))

или

dfStruct.withColumn("y", explode(
  when(col("y").isNotNull, col("y"))
    .otherwise(array(lit(null).cast("struct<_1:int,_2:string>")))))

Примечание

Если массив Column был создан с containsNull установленным в false, вы должны сначала изменить это (проверено с помощью Spark 2.1):

df.withColumn("array_column", $"array_column".cast(ArrayType(SomeType, true)))

Ответ 2

Вслед за принятым ответом, когда элементы массива являются сложным типом, может быть трудно определить его вручную (например, с большими структурами).

Чтобы сделать это автоматически, я написал следующий вспомогательный метод:

  def explodeOuter(df: Dataset[Row], columnsToExplode: List[String]) = {
      val arrayFields = df.schema.fields
          .map(field => field.name -> field.dataType)
          .collect { case (name: String, type: ArrayType) => (name, type.asInstanceOf[ArrayType])}
          .toMap

      columnsToExplode.foldLeft(df) { (dataFrame, arrayCol) =>
      dataFrame.withColumn(arrayCol, explode(when(size(col(arrayCol)) =!= 0, col(arrayCol))
        .otherwise(array(lit(null).cast(arrayFields(arrayCol).elementType)))))    
 }

Редактировать: кажется, что в Spark 2.2 и новее это встроено.

Ответ 3

Вы можете использовать функцию explode_outer().