如何在联接操作之前转换数据帧

Question

以下代码用于从列中提取排名 products 。排名是每对[...]中的第二个数字。例如，在给定的示例中[[222,66],[333,55]]具有PK 222和333的产品的排名是66和55的。但是Spark 2.2中的代码在df_products大约800 Mb时运行非常缓慢：

df_products.createOrReplaceTempView("df_products")
val result = df.as("df2")
               .join(spark.sql("SELECT * FROM df_products")
               .select($"product_PK", explode($"products").as("products"))
               .withColumnRenamed("product_PK","product_PK_temp").as("df1"),$"df2.product               _PK" === $"df1.product_PK_temp" and $"df2.rec_product_PK" === $"df1.products.product_PK", "left")
               .drop($"df1.product_PK_temp")
               .select($"product_PK", $"rec_product_PK", coalesce($"df1.products.col2", lit(0.0)).as("rank_product"))

这是df_products和df的一小部分样本：

df_products =

+----------+--------------------+
|product_PK|            products|
+----------+--------------------+
|       111|[[222,66],[333,55...|
|       222|[[333,24],[444,77...|
...
+----------+--------------------+

df =

+----------+-----------------+                 
|product_PK|   rec_product_PK|
+----------+-----------------+
|       111|              222|
|       222|              888|
+----------+-----------------+

当每行products中的数组包含少量元素时，上面给出的代码效果很好。但是当每行[[..],[..],...]数组中有很多元素时，代码似乎卡住了并且没有前进。

如何优化代码？任何帮助都非常感谢。

例如，是否可以在加入之前将df_products转换为以下数据帧？

df_products =

+----------+--------------------+------+
|product_PK|      rec_product_PK|  rank|
+----------+--------------------+------+
|       111|                 222|    66|
|       111|                 333|    55|
|       222|                 333|    24|
|       222|                 444|    77|
...
+----------+--------------------+------+

Answer 1

根据我在这里的回答，您可以使用这样的东西来转换df_products：

import org.apache.spark.sql.functions.explode
df1 = df.withColumn("array_elem", explode(df("products"))
df2 = df1.select("product_PK", "array_elem.*")

这假定产品是结构数组。如果 products 是数组数组，则可以改用以下内容：

df2 = df1.withColumn("rank", df2("products").getItem(1))