Автоматически и элегантно сглаживает DataFrame в Spark SQL

Ответ 1

Короткий ответ: там нет "приемлемого" способа сделать это, но вы можете сделать это очень элегантно с рекурсивной функцией, которая генерирует ваш оператор select(...), пройдя через DataFrame.schema.

Рекурсивная функция должна возвращать Array[Column]. Каждый раз, когда функция попадает в StructType, она сама вызывается и добавляет возвращенный Array[Column] в свой собственный Array[Column].

Что-то вроде:

def flattenSchema(schema: StructType, prefix: String = null) : Array[Column] = {
  schema.fields.flatMap(f => {
    val colName = if (prefix == null) f.name else (prefix + "." + f.name)

    f.dataType match {
      case st: StructType => flattenSchema(st, colName)
      case _ => Array(col(colName))
    }
  })
}

Затем вы будете использовать его следующим образом:

df.select(flattenSchema(df.schema):_*)

Ответ 2

Я улучшаю свой предыдущий ответ и предлагаю решение своей проблемы, изложенную в комментариях к принятому ответу.

Это принятое решение создает массив объектов Column и использует его для выбора этих столбцов. В Spark, если у вас есть вложенный DataFrame, вы можете выбрать дочерний столбец следующим образом: df.select("Parent.Child"), и это возвращает DataFrame со значениями дочернего столбца и называется Ребенок. Но если у вас одинаковые имена для атрибутов разных родительских структур, вы теряете информацию о родительском элементе и можете иметь идентичные имена столбцов и больше не можете обращаться к ним по имени, поскольку они недвусмысленны.

Это была моя проблема.

Я нашел решение своей проблемы, возможно, это может помочь кому-то еще. Я назвал flattenSchema отдельно:

val flattenedSchema = flattenSchema(df.schema)

и это возвращает объект Array of Column. Вместо использования этого параметра в select(), который вернет DataFrame с столбцами, названными дочерним элементом последнего уровня, я сопоставил исходные имена столбцов как строки, а после выбора столбца Parent.Child он переименовал его как Parent.Child вместо Child (я также заменил точки с подчеркиванием для моего удобства):

val renamedCols = flattenedSchema.map(name => col(name.toString()).as(name.toString().replace(".","_")))

И затем вы можете использовать функцию выбора, как показано в исходном ответе:

var newDf = df.select(renamedCols:_*)

Ответ 3

Просто хотел поделиться своим решением для Pyspark - это более или менее перевод @David Griffin solution, поэтому он поддерживает любой уровень вложенных объектов.

from pyspark.sql.types import StructType, ArrayType  

def flatten(schema, prefix=None):
    fields = []
    for field in schema.fields:
        name = prefix + '.' + field.name if prefix else field.name
        dtype = field.dataType
        if isinstance(dtype, ArrayType):
            dtype = dtype.elementType

        if isinstance(dtype, StructType):
            fields += flatten(dtype, prefix=name)
        else:
            fields.append(name)

    return fields


df.select(flatten(df.schema)).show()

Ответ 4

Вы также можете использовать SQL для выбора столбцов как плоских.

• Получить исходную схему фрейма данных
• Генерировать строку SQL, просматривая схему
• Запросить исходный кадр данных

Я реализовал реализацию на Java: https://gist.github.com/ebuildy/3de0e2855498e5358e4eed1a4f72ea48

(используйте рекурсивный метод, я предпочитаю SQL-путь, поэтому вы можете легко его протестировать через Spark-shell).

Ответ 5

Вот функция, которая делает то, что вы хотите, и может иметь дело с несколькими вложенными столбцами, содержащими столбцы с одинаковым именем, с префиксом:

from pyspark.sql import functions as F

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

До:

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)

После:

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)

Ответ 6

Я добавил метод DataFrame#flattenSchema в проект spark-daria с открытым исходным кодом.

Вот как вы можете использовать функцию с вашим кодом.

import com.github.mrpowers.spark.daria.sql.DataFrameExt._
df.flattenSchema().show()

+-------+-------+---------+----+---+
|foo.bar|foo.baz|        x|   y|  z|
+-------+-------+---------+----+---+
|   this|     is|something|cool| ;)|
+-------+-------+---------+----+---+

Вы также можете указать разные разделители имен столбцов с помощью flattenSchema().

df.flattenSchema(delimiter = "_").show()
+-------+-------+---------+----+---+
|foo_bar|foo_baz|        x|   y|  z|
+-------+-------+---------+----+---+
|   this|     is|something|cool| ;)|
+-------+-------+---------+----+---+

Этот параметр разделителя удивительно важен. Если вы выравниваете свою схему для загрузки таблицы в Redshift, вы не сможете использовать точки в качестве разделителя.

Вот полный фрагмент кода для генерации этого вывода.

val data = Seq(
  Row(Row("this", "is"), "something", "cool", ";)")
)

val schema = StructType(
  Seq(
    StructField(
      "foo",
      StructType(
        Seq(
          StructField("bar", StringType, true),
          StructField("baz", StringType, true)
        )
      ),
      true
    ),
    StructField("x", StringType, true),
    StructField("y", StringType, true),
    StructField("z", StringType, true)
  )
)

val df = spark.createDataFrame(
  spark.sparkContext.parallelize(data),
  StructType(schema)
)

df.flattenSchema().show()

Базовый код аналогичен коду Дэвида Гриффина (в случае, если вы не хотите добавлять зависимость spark-daria в ваш проект).

object StructTypeHelpers {

  def flattenSchema(schema: StructType, delimiter: String = ".", prefix: String = null): Array[Column] = {
    schema.fields.flatMap(structField => {
      val codeColName = if (prefix == null) structField.name else prefix + "." + structField.name
      val colName = if (prefix == null) structField.name else prefix + delimiter + structField.name

      structField.dataType match {
        case st: StructType => flattenSchema(schema = st, delimiter = delimiter, prefix = colName)
        case _ => Array(col(codeColName).alias(colName))
      }
    })
  }

}

object DataFrameExt {

  implicit class DataFrameMethods(df: DataFrame) {

    def flattenSchema(delimiter: String = ".", prefix: String = null): DataFrame = {
      df.select(
        StructTypeHelpers.flattenSchema(df.schema, delimiter, prefix): _*
      )
    }

  }

}

Ответ 7

Чтобы объединить ответы Дэвида Гриффена и В. Саммы, вы можете просто сделать это, чтобы сгладить, избегая дублирования имен столбцов:

import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.Column
import org.apache.spark.sql.DataFrame

def flattenSchema(schema: StructType, prefix: String = null) : Array[Column] = {
  schema.fields.flatMap(f => {
    val colName = if (prefix == null) f.name else (prefix + "." + f.name)
    f.dataType match {
      case st: StructType => flattenSchema(st, colName)
      case _ => Array(col(colName).as(colName.replace(".","_")))
    }
  })
}

def flattenDataFrame(df:DataFrame): DataFrame = {
    df.select(flattenSchema(df.schema):_*)
}

var my_flattened_json_table = flattenDataFrame(my_json_table)

Ответ 8

========== edit ====

Здесь есть дополнительная обработка для более сложных схем: https://medium.com/@lvhuyen/working-with-spark-dataframe-having-a-complex-schema-a3bce8c3f44

==================

PySpark, добавленный к ответу @Evan V, когда имена ваших полей содержат специальные символы, такие как точка '.', Дефис '-',...:

from pyspark.sql.types import StructType, ArrayType  

def normalise_field(raw):
    return raw.strip().lower() \
            .replace(''', '') \
            .replace('-', '_') \
            .replace(' ', '_') \
            .strip('_')

def flatten(schema, prefix=None):
    fields = []
    for field in schema.fields:
        name = "%s.'%s'" % (prefix, field.name) if prefix else "'%s'" % field.name
        dtype = field.dataType
        if isinstance(dtype, ArrayType):
            dtype = dtype.elementType
        if isinstance(dtype, StructType):
            fields += flatten(dtype, prefix=name)
        else:
            fields.append(col(name).alias(normalise_field(name)))

    return fields

df.select(flatten(df.schema)).show()

Ответ 9

Я использовал один лайнер, который приводит к сплющенной схеме с 5 столбцами бара, baz, x, y, z:

df.select("foo.*", "x", "y", "z")

Что касается explode: я обычно резервирую explode для выравнивания списка. Например, если у вас есть столбец idList, который является списком строк, вы можете сделать:

df.withColumn("flattenedId", functions.explode(col("idList")))
  .drop("idList")

Это приведет к созданию нового Dataframe с столбцом с именем flattenedId (больше не список)

Ответ 10

Это модификация решения, но она использует обозначение tailrec.

  @tailrec
  def flattenSchema(
      splitter: String,
      fields: List[(StructField, String)],
      acc: Seq[Column]): Seq[Column] = {
    fields match {
      case (field, prefix) :: tail if field.dataType.isInstanceOf[StructType] =>
        val newPrefix = s"$prefix${field.name}."
        val newFields = field.dataType.asInstanceOf[StructType].fields.map((_, newPrefix)).toList
        flattenSchema(splitter, tail ++ newFields, acc)

      case (field, prefix) :: tail =>
        val colName = s"$prefix${field.name}"
        val newCol  = col(colName).as(colName.replace(".", splitter))
        flattenSchema(splitter, tail, acc :+ newCol)

      case _ => acc
    }
  }
  def flattenDataFrame(df: DataFrame): DataFrame = {
    val fields = df.schema.fields.map((_, ""))
    df.select(flattenSchema("__", fields.toList, Seq.empty): _*)
  }

Ответ 11

Небольшое дополнение к приведенному выше коду, если вы работаете с Nested Struct и Array.

def flattenSchema(schema: StructType, prefix: String = null) : Array[Column] = {
    schema.fields.flatMap(f => {
      val colName = if (prefix == null) f.name else (prefix + "." + f.name)

      f match {
        case StructField(_, struct:StructType, _, _) => flattenSchema(struct, colName)
        case StructField(_, ArrayType(x :StructType, _), _, _) => flattenSchema(x, colName)
        case StructField(_, ArrayType(_, _), _, _) => Array(col(colName))
        case _ => Array(col(colName))
      }
    })
  }