如何添加一个numpy.数组作为pyspark的新列.SQL DataFrame

Question

下面是创建pyspark的代码。sql DataFrame

import numpy as np
import pandas as pd
from pyspark import SparkContext
from pyspark.sql import SQLContext
df = pd.DataFrame(np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]), columns=['a','b','c'])
sparkdf = sqlContext.createDataFrame(df, samplingRatio=0.1)

所以sparkdf看起来像

a  b  c
1  2  3
4  5  6
7  8  9
10 11 12

现在我想添加一个新的列numpy数组(甚至一个列表)

new_col = np.array([20,20,20,20])

但是标准方式

sparkdf = sparkdf.withColumn('newcol', new_col)

失败。可能udf是要走的路，但我不知道如何创建一个udf，每个DataFrame行分配一个不同的值，即通过new_col迭代。我看过其他的pyspark和pyspark。SQL，但找不到解决方案。我也需要留在pyspark。SQL不是scala的解决方案。谢谢!

Answer 1

假设数据帧按照数组中值的顺序排序，您可以压缩rdd并重建数据帧，如下所示:

n = sparkdf.rdd.getNumPartitions()
# Parallelize and cast to plain integer (np.int64 won't work)
new_col = sc.parallelize(np.array([20,20,20,20]), n).map(int) 
def process(pair):
    return dict(pair[0].asDict().items() + [("new_col", pair[1])])
rdd = (sparkdf
    .rdd # Extract RDD
    .zip(new_col) # Zip with new col
    .map(process)) # Add new column
sqlContext.createDataFrame(rdd) # Rebuild data frame

也可以使用join:

new_col = sqlContext.createDataFrame(
    zip(range(1, 5), [20] * 4),
    ("rn", "new_col"))
sparkdf.registerTempTable("df")
sparkdf_indexed = sqlContext.sql(
    # Make sure we have specific order and add row number
    "SELECT row_number() OVER (ORDER BY a, b, c) AS rn, * FROM df")
(sparkdf_indexed
    .join(new_col, new_col.rn == sparkdf_indexed.rn)
    .drop(new_col.rn))

但是窗口函数组件是不可伸缩的，应该避免使用较大的数据集。

当然，如果你需要的只是一个单一值的列，你可以简单地使用lit

import pyspark.sql.functions as f
sparkdf.withColumn("new_col", f.lit(20))