如何在 Spark (Python) 中对 Row 对象的字段进行排序

Question

我正在Spark中创建Row对象。我不希望我的字段按字母顺序排序。但是，如果我执行以下操作，它们将按字母顺序排序。

row = Row(foo=1, bar=2)

然后，它会创建一个如下所示的对象：

Row(bar=2, foo=1)

然后，当我在此对象上创建数据帧时，列顺序将首先是条形图，其次是 foo，而我宁愿以相反的方式使用它。

我知道我可以使用"_1"和"_2"（分别用于"foo"和"bar"

），然后分配一个模式（使用适当的"foo"和"bar"名称）。但是有没有办法阻止 Row 对象对它们进行排序？

Answer 1

Spark>= 3.0

SPARK-29748 已删除字段排序（删除 PySpark SQL 行创建中的字段排序）导出），但传统模式除外，当设置了以下环境变量时：

PYSPARK_ROW_FIELD_SORTING_ENABLED=true 

火花<3.0

但是有没有办法阻止 Row 对象对它们进行排序？

没有。如果您提供kwargs参数将按名称排序。确定性行为需要排序，因为 Python 3.6 之前的 Python 不会保留关键字参数的顺序。

只需使用普通元组：

rdd = sc.parallelize([(1, 2)])

并将架构作为参数传递给RDD.toDF（不要与DataFrame.toDF混淆）：

rdd.toDF(["foo", "bar"])

或createDataFrame ：

from pyspark.sql.types import *
spark.createDataFrame(rdd, ["foo", "bar"])
# With full schema
schema = StructType([
    StructField("foo", IntegerType(), False),
    StructField("bar", IntegerType(), False)])
spark.createDataFrame(rdd, schema)

您还可以使用namedtuples：

from collections import namedtuple
FooBar = namedtuple("FooBar", ["foo", "bar"])
spark.createDataFrame([FooBar(foo=1, bar=2)])

最后，您可以按select对列进行排序：

sc.parallelize([Row(foo=1, bar=2)]).toDF().select("foo", "bar")

Answer 2

来自文档：

Row 也可以用来创建

另一个类似 Row 的类，然后它可以用来创建 Row 对象

在这种情况下，将保存列的顺序：

>>> FooRow = Row('foo', 'bar')
>>> row = FooRow(1, 2)
>>> spark.createDataFrame([row]).dtypes
[('foo', 'bigint'), ('bar', 'bigint')]

Answer 3

如何对原始架构进行排序以匹配 RDD 的字母顺序：

schema_sorted = StructType()
structfield_list_sorted = sorted(df.schema, key=lambda x: x.name)
for item in structfield_list_sorted:
    schema_sorted.add(item)