21

我有一个镶木地板文件中的数据，该文件有 2 个字段：object_id: String和alpha: Map<>.

它被读入 sparkSQL 中的数据框，架构如下所示：

scala> alphaDF.printSchema()
root
 |-- object_id: string (nullable = true)
 |-- ALPHA: map (nullable = true)
 |    |-- key: string
 |    |-- value: struct (valueContainsNull = true)

我正在使用 Spark 2.0，我正在尝试创建一个新的数据框，其中的列需要是地图的object_id加键，如ALPHAobject_id, key1, key2, key2, ...

我首先想看看我是否至少可以像这样访问地图：

scala> alphaDF.map(a => a(0)).collect()
<console>:32: error: Unable to find encoder for type stored in a Dataset.
Primitive types (Int, String, etc) and Product types (case classes) are 
supported by importing spark.implicits._  Support for serializing other
types will be added in future releases.
   alphaDF.map(a => a(0)).collect()

但不幸的是，我似乎无法弄清楚如何访问地图的键。

有人可以告诉我一种将object_id加号映射键作为列名并将映射值作为新数据框中的相应值的方法吗？

4

2 回答 2

29

火花 >= 2.3

map_keys您可以使用函数简化流程：

import org.apache.spark.sql.functions.map_keys

也有map_values功能，但在这里不会直接有用。

火花 < 2.3

一般方法可以用几个步骤来表示。首先需要导入：

import org.apache.spark.sql.functions.udf
import org.apache.spark.sql.Row

和示例数据：

val ds = Seq(
  (1, Map("foo" -> (1, "a"), "bar" -> (2, "b"))),
  (2, Map("foo" -> (3, "c"))),
  (3, Map("bar" -> (4, "d")))
).toDF("id", "alpha")

要提取密钥，我们可以使用 UDF (Spark < 2.3)

val map_keys = udf[Seq[String], Map[String, Row]](_.keys.toSeq)

或内置函数

import org.apache.spark.sql.functions.map_keys

val keysDF = df.select(map_keys($"alpha"))

找到不同的：

val distinctKeys = keysDF.as[Seq[String]].flatMap(identity).distinct
  .collect.sorted

您还可以keys使用以下方法概括提取explode：

import org.apache.spark.sql.functions.explode

val distinctKeys = df
  // Flatten the column into key, value columns
 .select(explode($"alpha"))
 .select($"key")
 .as[String].distinct
 .collect.sorted

并且select：

ds.select($"id" +: distinctKeys.map(x => $"alpha".getItem(x).alias(x)): _*)
于 2016-11-15T06:35:56.610 回答
4

如果你在 PySpark 中，我会找到一个简单的实现：

from pyspark.sql.functions import map_keys

alphaDF.select(map_keys("ALPHA").alias("keys")).show()

你可以在这里查看详细信息

于 2019-04-29T12:45:13.150 回答