将重复值透视到2个不同的列中

Question

我将以下数据导入到PySpark数据框架中:

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *
spark = SparkSession.builder.master("local[4]").appName("pyspark").getOrCreate()
df = spark.read.csv("example.csv")
df.show()
#+--+------+
#|id|answer|
#+--+------+
#| 1|a     |
#| 1|b     |
#| 2|c     |
#| 2|d     |
#| 3|e     |
#| 4|f     |
#| 4|g     |
#+--+------+

一些id可能有重复，一些可能没有。我希望有以下输出:

+--+------+------+
|id|first |second|
+--+------+------+
| 1|a     |b     |
| 2|c     |d     |
| 3|e     |Null  |
| 4|f     |g     |
+--+------+------+

Answer 1

我将使用groupBy，聚合使用collect_list。我添加了array_sort只是为了更多的确定性。

from pyspark.sql import functions as F
df = df.groupBy('id').agg(F.array_sort(F.collect_list('answer')).alias('list'))
df = df.select(
'id',
F.element_at('list', 1).alias('first'),
F.element_at('list', 2).alias('second'),
)
df.show()
# +---+-----+------+
# | id|first|second|
# +---+-----+------+
# |  1|    a|     b|
# |  2|    c|     d|
# |  3|    e|  null|
# |  4|    f|     g|
# +---+-----+------+