如何使用分隔符连接 PySpark 中的多列?

Question

我有一个pyspark Dataframe，我想加入3列。

id |  column_1   | column_2    | column_3
--------------------------------------------
1  |     12      |   34        |    67
--------------------------------------------
2  |     45      |   78        |    90
--------------------------------------------
3  |     23      |   93        |    56
--------------------------------------------

我想加入 3 列：column_1, column_2, column_3在有值"-"之间只添加一个

预期结果：

id |  column_1   | column_2    | column_3    |   column_join
-------------------------------------------------------------
1  |     12      |     34      |     67      |   12-34-67
-------------------------------------------------------------
2  |     45      |     78      |     90      |   45-78-90
-------------------------------------------------------------
3  |     23      |     93      |     56      |   23-93-56
-------------------------------------------------------------

我怎样才能在 pyspark 中做到这一点？ 谢谢

Answer 1

这很简单：

from pyspark.sql.functions import col, concat, lit
df = df.withColumn("column_join", concat(col("column_1"), lit("-"), col("column_2"), lit("-"), col("column_3")))

使用concat将所有列与-分隔符连接起来，为此需要使用lit。

如果它不能直接工作，您可以使用cast将列类型更改为字符串，col("column_1").cast("string")

更新：

或者，您可以使用内置函数concat_ws使用更动态的方法

pyspark.sql.functions.concat_ws(sep， *cols(

Concatenates multiple input string columns together into a single string column, using the given separator.
>>> df = spark.createDataFrame([('abcd','123')], ['s', 'd'])
>>> df.select(concat_ws('-', df.s, df.d).alias('s')).collect()
[Row(s=u'abcd-123')]

代码：

from pyspark.sql.functions import col, concat_ws
concat_columns = ["column_1", "column_2", "column_3"]
df = df.withColumn("column_join", concat_ws("-", *[F.col(x) for x in concat_columns]))

Answer 2

这是一种generic/dynamic方法，而不是manually连接它。我们所需要的只是指定我们需要连接的列。

# Importing requisite functions.
from pyspark.sql.functions import col, udf
# Creating the DataFrame
df = spark.createDataFrame([(1,12,34,67),(2,45,78,90),(3,23,93,56)],['id','column_1','column_2','column_3'])

现在，指定我们要连接的列列表，用-分隔。

list_of_columns_to_join = ['column_1','column_2','column_3']

最后，创建一个UDF。请注意，基于UDF的解决方案隐含地较慢。

def concat_cols(*list_cols):
return '-'.join(list([str(i) for i in list_cols]))
concat_cols = udf(concat_cols)
df = df.withColumn('column_join', concat_cols(*list_of_columns_to_join))
df.show()
+---+--------+--------+--------+-----------+
| id|column_1|column_2|column_3|column_join|
+---+--------+--------+--------+-----------+
|  1|      12|      34|      67|   12-34-67|
|  2|      45|      78|      90|   45-78-90|
|  3|      23|      93|      56|   23-93-56|
+---+--------+--------+--------+-----------+