入力データを取得しようとしています:
A B C
--------------
4 blah 2
2 3
56 foo 3
そして、Bが空かどうかに基づいて列を最後に追加します。
A B C D
--------------------
4 blah 2 1
2 3 0
56 foo 3 1
入力データフレームを一時テーブルとして登録し、SQLクエリを入力することで、これを簡単に行うことができます。
しかし、Scalaメソッドだけでこれを行う方法を知りたいので、Scala内でSQLクエリを入力する必要はありません。
.withColumn
を試してみましたが、私が望むことをすることができません。
次のように、withColumn
関数でwhen
を試してください。
val sqlContext = new SQLContext(sc)
import sqlContext.implicits._ // for `toDF` and $""
import org.Apache.spark.sql.functions._ // for `when`
val df = sc.parallelize(Seq((4, "blah", 2), (2, "", 3), (56, "foo", 3), (100, null, 5)))
.toDF("A", "B", "C")
val newDf = df.withColumn("D", when($"B".isNull or $"B" === "", 0).otherwise(1))
newDf.show()
ショー
+---+----+---+---+
| A| B| C| D|
+---+----+---+---+
| 4|blah| 2| 1|
| 2| | 3| 0|
| 56| foo| 3| 1|
|100|null| 5| 0|
+---+----+---+---+
isNull
ケースをテストするために(100, null, 5)
行を追加しました。
このコードをSpark 1.6.0
で試しましたが、when
のコードでコメントされているように、1.4.0
以降のバージョンで動作します。
悪いのは、質問の一部を見逃していたことです。
最善の、最もクリーンな方法は、UDF
を使用することです。コード内の説明。
// create some example data...BY DataFrame
// note, third record has an empty string
case class Stuff(a:String,b:Int)
val d= sc.parallelize(Seq( ("a",1),("b",2),
("",3) ,("d",4)).map { x => Stuff(x._1,x._2) }).toDF
// now the good stuff.
import org.Apache.spark.sql.functions.udf
// function that returns 0 is string empty
val func = udf( (s:String) => if(s.isEmpty) 0 else 1 )
// create new dataframe with added column named "notempty"
val r = d.select( $"a", $"b", func($"a").as("notempty") )
scala> r.show
+---+---+--------+
| a| b|notempty|
+---+---+--------+
| a| 1| 1111|
| b| 2| 1111|
| | 3| 0|
| d| 4| 1111|
+---+---+--------+
このようなものはどうですか?
val newDF = df.filter($"B" === "").take(1) match {
case Array() => df
case _ => df.withColumn("D", $"B" === "")
}
take(1)
を使用すると、最小限のヒットがあります。