在 Pyspark 中带有 IN 子句的语句时的大小写

Question

我是Spark编程的新手，并且有一个场景，当一组值出现在我的输入中时，可以分配一个值。下面是我用来完成任务的传统SQL代码。需要在Spark中做同样的事情。

SQL代码：

SELECT CASE WHEN c.Number IN ( '1121231', '31242323' ) THEN 1 
ELSE 2 END AS Test
FROM   Input  c

我知道在火花中使用when只有一个条件。

Input.select(when(Input.Number==1121231,1).otherwise(2).alias("Test")).show()

Answer 1

我假设你使用的是Spark DataFrames，而不是RDD。需要注意的一点是，您可以直接在数据帧上运行 SQL 查询：

# register the DataFrame so we can refer to it in queries
sqlContext.registerDataFrameAsTable(df, "df")
# put your SQL query in a string
query = """SELECT CASE WHEN 
    df.number IN ('1121231', '31242323') THEN 1 ELSE 2 END AS test 
    FROM df"""
result = sqlContext.sql(query)
result.show()

您还可以通过创建模仿查询 case 语句的用户定义函数来使用 select：

from pyspark.sql.types import *
from pyspark.sql.functions import udf
# need to pass inner function through udf() so it can operate on Columns
# also need to specify return type
column_in_list = udf(
    lambda column: 1 if column in ['1121231', '31242323'] else 2, 
    IntegerType()
)
# call function on column, name resulting column "transformed"
result = df.select(column_in_list(df.number).alias("transformed"))
result.show()