Spark 数据帧嵌套大小写时语句

Question

我需要在Spark DataFrame中实现以下SQL逻辑

SELECT KEY,
    CASE WHEN tc in ('a','b') THEN 'Y'
         WHEN tc in ('a') AND amt > 0 THEN 'N'
         ELSE NULL END REASON,
FROM dataset1;

我的输入DataFrame如下：

val dataset1 = Seq((66, "a", "4"), (67, "a", "0"), (70, "b", "4"), (71, "d", "4")).toDF("KEY", "tc", "amt")
dataset1.show()

+---+---+---+
|KEY| tc|amt|
+---+---+---+
| 66|  a|  4|
| 67|  a|  0|
| 70|  b|  4|
| 71|  d|  4|
+---+---+---+

我已经将嵌套案例 when 语句实现为：

dataset1.withColumn("REASON", when(col("tc").isin("a", "b"), "Y")
  .otherwise(when(col("tc").equalTo("a") && col("amt").geq(0), "N")
    .otherwise(null))).show()

+---+---+---+------+
|KEY| tc|amt|REASON|
+---+---+---+------+
| 66|  a|  4|     Y|
| 67|  a|  0|     Y|
| 70|  b|  4|     Y|
| 71|  d|  4|  null|
+---+---+---+------+

如果嵌套的 when 语句更进一步，则带有"否则"语句的上述逻辑的可读性有点混乱。

当 Spark 中的语句DataFrames时，有没有更好的方法来实现嵌套案例？

Answer 1

这里没有嵌套，因此不需要otherwise。您所需要的只是链接when：

import spark.implicits._
when($"tc" isin ("a", "b"), "Y")
  .when($"tc" === "a" && $"amt" >= 0, "N")

ELSE NULL是隐式的，因此您可以完全省略它。

您使用的模式更适用于数据结构上的folding：

val cases = Seq(
  ($"tc" isin ("a", "b"), "Y"),
  ($"tc" === "a" && $"amt" >= 0, "N")
)

其中 when - otherwise自然遵循递归模式，null提供基本情况。

cases.foldLeft(lit(null)) {
  case (acc, (expr, value)) => when(expr, value).otherwise(acc)
}

请注意，在这种条件下，不可能达到"N"个结果。如果tc等于"a"，则它将被第一个子句捕获。如果不是，则无法同时满足谓词并默认为 NULL 。您应该：

when($"tc" === "a" && $"amt" >= 0, "N")
 .when($"tc" isin ("a", "b"), "Y")

Answer 2

对于更复杂的逻辑，我更喜欢使用 UDF 以获得更好的可读性：

val selectCase = udf((tc: String, amt: String) =>
  if (Seq("a", "b").contains(tc)) "Y"
  else if (tc == "a" && amt.toInt <= 0) "N"
  else null
)

dataset1.withColumn("REASON", selectCase(col("tc"), col("amt")))
  .show

Answer 3

你可以

简单地在数据集上使用selectExpr

。

dataset1.selectExpr("*", "CASE WHEN tc in ('a') AND amt > 0 THEN 'N' WHEN tc in ('a','b') THEN 'Y' ELSE NULL END
REASON").show()
+---+---+---+------+
|KEY| tc|amt|REASON|
+---+---+---+------+
| 66|  a|  4|     N|
| 67|  a|  0|     Y|
| 70|  b|  4|     Y|
| 71|  d|  4|  null|
+---+---+---+------+

第二个条件应该放在第一个条件之前，因为第一个条件更通用。

当 tc 在 （'a'） 和 amt> 0

然后是 'N'