当某些值为空时，如何将DataFrame中的多个列连接到另一个列中

Question

def column_concat(a,b): return concat(a,b)
searches_df = searches_df.withColumn('unique_id',reduce(column_concat,(searches_df[col] for col in search_parameters)))

此方法有效，除非列包含空值，否则整个连接的字符串为空。我想要一个占位符或一些字符，而不是在连接字符串。

Answer 1

给定以下数据帧:

df = sqlContext.createDataFrame([("foo", "bar"), ("baz", None)], 
                                ('a', 'b'))
df.show()
+---+----+
|  a|   b|
+---+----+
|foo| bar|
|baz|null|
+---+----+

一个解决方案是使用udf来过滤/替换空，例如:

import pyspark.sql.functions as F
from pyspark.sql.types import StringType
concat_udf = F.udf(lambda cols: "".join([x if x is not None else "*" for x in cols]), StringType())
df.withColumn("unique_id", concat_udf(F.array("a", "b"))).show()

收益率:

+---+----+---------+
|  a|   b|unique_id|
+---+----+---------+
|foo| bar|   foobar|
|baz|null|     baz*|
+---+----+---------+

另外:

import pyspark.sql.functions as F
def myConcat(*cols):
    return F.concat(*[F.coalesce(c, F.lit("*")) for c in cols])
df.withColumn("unique_id", myConcat("a", "b")).show()

也产生:

+---+----+---------+
|  a|   b|unique_id|
+---+----+---------+
|foo| bar|   foobar|
|baz|null|     baz*|
+---+----+---------+

Answer 2

df = df.withColumn('joined_column', sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))

Answer 3

首先需要像下面这样导入pyspark sql函数

from pyspark.sql import functions as sf
df = df.withColumn('joined_column', sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))

Answer 4

在Spark Scala中，您可以首先用NA填充这些列的空值(可以取任何值)，然后执行连接操作。它工作得很好。

df = df.na.fill("NA").concat(col A, col B, col C, col D, col E)