Pyspark DataFrame将其转置为列表

Question

我正在使用PySpark SQL API，并尝试将重复值的行分组为其余内容列表。它类似于转置，但不是旋转所有值，而是将值放入数组中。

当前输出：

group_id | member_id | name
55       | 123       | jake
55       | 234       | tim 
65       | 345       | chris

所需的输出：

group_id | members
55       | [[123, 'jake'], [234, 'tim']]
65       | [345, 'chris']

Answer 1

您需要groupby CC_1并使用pyspark.sql.functions.collect_list()作为聚合功能。

对于组合member_id和name列，您有两个选择：

选项1：使用pyspark.sql.functions.array：

from pyspark.sql.functions import array, collect_list
df1 = df.groupBy("group_id")
    .agg(collect_list(array("member_id", "name")).alias("members"))
df1.show(truncate=False)
#+--------+-------------------------------------------------+
#|group_id|members                                          |
#+--------+-------------------------------------------------+
#|55      |[WrappedArray(123, jake), WrappedArray(234, tim)]|
#|65      |[WrappedArray(345, chris)]                       |
#+--------+-------------------------------------------------+

这返回了字符串阵列的WrappedArray。整数被转换为字符串，因为您不能混合类型数组。

df1.printSchema()
#root
# |-- group_id: integer (nullable = true)
# |-- members: array (nullable = true)
# |    |-- element: array (containsNull = true)
# |    |    |-- element: string (containsNull = true)

选项2：使用pyspark.sql.functions.struct

from pyspark.sql.functions import collect_list, struct 
df2 = df.groupBy("group_id")
    .agg(collect_list(struct("member_id", "name")).alias("members"))
df2.show(truncate=False)
#+--------+-----------------------+
#|group_id|members                |
#+--------+-----------------------+
#|65      |[[345,chris]]          |
#|55      |[[123,jake], [234,tim]]|
#+--------+-----------------------+

这将返回一系列结构，并带有member_id和name

的命名字段

df2.printSchema()
#root
# |-- group_id: integer (nullable = true)
# |-- members: array (nullable = true)
# |    |-- element: struct (containsNull = true)
# |    |    |-- member_id: integer (nullable = true)
# |    |    |-- name: string (nullable = true)

对结构方法有用的是，您可以使用点访问器访问嵌套数组的元素：

df2.select("group_id", "members.member_id").show()
#+--------+----------+
#|group_id| member_id|
#+--------+----------+
#|      65|     [345]|
#|      55|[123, 234]|
#+--------+----------+