Как добавить постоянный столбец в Spark DataFrame?

Ответ 1

Искра 2. 2+

Spark 2.2 представляет typedLit для поддержки Seq, Map и Tuples (SPARK-19254), и должны поддерживаться следующие вызовы (Scala):

import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, .0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Искра 1. 3+ (lit), 1. 4+ (array, struct), 2. 0+ (map):

Второй аргумент для DataFrame.withColumn должен быть Column поэтому вы должны использовать литерал:

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))

Если вам нужны сложные столбцы, вы можете построить их, используя такие блоки, как array:

from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

Точно такие же методы можно использовать в Scala.

import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

Чтобы предоставить имена для structs используйте любой alias в каждом поле:

df.withColumn(
    "some_struct",
    struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z"))
 )

или cast на весь объект

df.withColumn(
    "some_struct", 
    struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>")
 )

Также возможно, хотя и медленнее, использовать UDF.

Примечание:

Эти же конструкции могут использоваться для передачи постоянных аргументов в UDF или функции SQL.

Ответ 2

В spark 2.2 есть два способа добавить постоянное значение в столбец в DataFrame:

1) Использование lit

2) Использование typedLit.

Разница между ними заключается в том, что typedLit также может обрабатывать параметризованные типы scala, например List, Seq и Map.

Пример DataFrame:

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+

1) Использование lit : Добавление константного строкового значения в новый столбец с именем newcol:

import org.apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))

Результат:

+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+

2) Использование typedLit :

import org.apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))

Результат:

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+

Ответ 3

class Insertid:

    '''
    Example usage:
    gen_id=Insertid()
    df=genid(model_data)
    '''

    def __init__(self, ColName='*', IDColName='id'):
            self.ColName = ColName
            self.IDColName = IDColName
            self.index_dict = {'index': -1}

    def increaingId(self, row):
            row = row.asDict()
            self.index_dict['index'] += 1
            row['index'] = self.index_dict['index']
            return row

    def fit(self, df):
            df = df.select(*self.ColName.split(','))
            self.df = df.rdd.map(lambda row: self.increaingId(row)).toDF()

    def __call__(self, df):
            self.fit(df)
            return self.df

искра: 2.0.2 id: 0,1,... n