web-dev-qa-db-ja.com

Apache Spark DataFrameの列を連結する

Apache Spark DataFrameの2つの列をどのように連結しますか？ Spark SQLに使用できる関数はありますか？

sqlapache-sparkdataframeapache-spark-sql
80
Nipun

生のSQLではCONCATを使うことができます。

  • Pythonでは

    df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

  • Scalaで

    import sqlContext.implicits._

val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

Spark 1.5.0以降、DataFrame APIでconcat関数を使用できます。

  • Pythonでは：

    from pyspark.sql.functions import concat, col, lit

df.select(concat(col("k"), lit(" "), col("v")))

  • Scalaでは：

    import org.Apache.spark.sql.functions.{concat, lit}

df.select(concat($"k", lit(" "), $"v"))

最初の引数として文字列のセパレータを取るconcat_ws関数もあります。

134
zero323

これがカスタムネーミングのやり方です。

import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()

与えます、

+--------+--------+
|colname1|colname2|
+--------+--------+
|   row11|   row12|
|   row21|   row22|
+--------+--------+

連結して新しい列を作成します。

df = df.withColumn('joined_column', 
                    sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()

+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
|   row11|   row12|  row11_row12|
|   row21|   row22|  row21_row22|
+--------+--------+-------------+
33
muon

DFを使用してそれを実行したい場合は、既存の列に基づいて新しい列を追加するためにudfを使用できます。

val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)

//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
    Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))

//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )

//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()
16
Danish Shrestha

Spark Scalaで文字列列を連結するための1つのオプションはconcatを使用することです。

Null値をチェックする必要があります。列の1つがNULLの場合、他の列の1つが情報を持っていても結果はNULLになるためです。

concatとwithColumnを使う：

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

concatとselectを使う：

val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")

どちらの方法でも、元のdfのCOL1とCOL2の列を連結した値であるNEW_COLUMNがあります。

16
Ignacio Alorre

これはpysparkのためにこれをするもう一つの方法です：

#import concat and lit functions from pyspark.sql.functions 
from pyspark.sql.functions import concat, lit

#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])

#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))

#Show the new data frame
personDF.show()

----------RESULT-------------------------

84
+------------+
|East African|
+------------+
|   Ethiopian|
|      Kenyan|
|     Ugandan|
|     Rwandan|
+------------+
6
Teddy Belay

これは、データフレーム内の列の数や名前がわからない場合のための提案です。

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))
5
wones0120

Spark 2.3以降（ SPARK-22771 ）Spark SQLは連結演算子||をサポートしています。

例えば;

val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")
4
Krishas

Spark 2.3.0では、次のことを行えます。

spark.sql( """ select '1' || column_a from table_a """)
1
Charlie 木匠

Javaでは、これを実行して複数の列を連結することができます。サンプルコードは、シナリオと、理解を深めるための使用方法を説明するためのものです。

SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
                        .withColumn("concatenatedCol",
                                concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));


class JavaSparkSessionSingleton {
    private static transient SparkSession instance = null;

    public static SparkSession getInstance(SparkConf sparkConf) {
        if (instance == null) {
            instance = SparkSession.builder().config(sparkConf)
                    .getOrCreate();
        }
        return instance;
    }
}

上記のコードは、col1、col2、col3を "_"で区切って連結し、 "concatenatedCol"という名前の列を作成します。

0
wandermonk

実際、カスタム関数を実装する必要なく連結を達成するためのいくつかの美しい組み込み抽象化があります。 Spark SQLに言及したので、spark.sql（）を介して宣言コマンドとして渡そうとしていると推測します。その場合、次のようなSQLコマンドを渡すことにより、簡単な方法で実行できます。SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;

また、Spark 2.3.0から、次の行でコマンドを使用できます：SELECT col1 || col2 AS concat_column_name FROM <table_name>;

ここで、望ましい区切り文字（空のスペースでも可）であり、読み取りをしようとしている一時テーブルまたは永続テーブルです。

0
user11768920

SqlContextを使ってpySparkでそれをするもう一つの方法...

#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])

# Now we can concatenate columns and assign the new column a name 
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))
0
Gur