如何在Spark DataFrame、Scala中将行转换为列

本文介绍了如何在Spark DataFrame、Scala中将行转换为列的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！ 问题描述

有没有办法将数据帧行转换成列。 我有以下结构作为输入：

val inputDF = Seq(("pid1","enc1", "bat"), ("pid1","enc2", ""), ("pid1","enc3", ""), ("pid3","enc1", "cat"), ("pid3","enc2", "") ).toDF("MemberID", "EncounterID", "entry" ) inputDF.show: +--------+-----------+-----+ |MemberID|EncounterID|entry| +--------+-----------+-----+ | pid1| enc1| bat| | pid1| enc2| | | pid1| enc3| | | pid3| enc1| cat| | pid3| enc2| | +--------+-----------+-----+ expected result: +--------+----------+----------+----------+-----+ |MemberID|Encounter1|Encounter2|Encounter3|entry| +--------+----------+----------+----------+-----+ | pid1| enc1| enc2| enc3| bat| | pid3| enc1| enc2| null| cat| +--------+----------+----------+----------+-----+

请建议是否有任何优化的直接API可用于将行转置为列。 我的输入数据量相当大，所以像收集这样的操作，我将无法执行，因为它将占用驱动程序上的所有数据。 我正在使用Spark 2.x

推荐答案

我不确定您需要的是您实际要求的内容。然而，为了以防万一，这里有一个想法：

val entries = inputDF.where('entry isNotNull) .where('entry !== "") .select("MemberID", "entry").distinct val df = inputDF.groupBy("MemberID") .agg(collect_list("EncounterID") as "encounterList") .join(entries, Seq("MemberID")) df.show +--------+-------------------------+-----+ |MemberID| encounterList |entry| +--------+-------------------------+-----+ | pid1| [enc2, enc1, enc3]| bat| | pid3| [enc2, enc1]| cat| +--------+-------------------------+-----+

列表的顺序不是确定性的，但您可以对其进行排序，然后使用.withColumn("Encounter1", sort_array($"encounterList")(0))...

从中提取新列

其他想法

如果您想要的是将条目的值放入相应的"遭遇"列，您可以使用透视：

inputDF .groupBy("MemberID") .pivot("EncounterID", Seq("enc1", "enc2", "enc3")) .agg(first("entry")).show +--------+----+----+----+ |MemberID|enc1|enc2|enc3| +--------+----+----+----+ | pid1| bat| | | | pid3| cat| | | +--------+----+----+----+

添加Seq("enc1", "enc2", "enc3")是可选操作，但由于您知道该列的内容，因此可以加快计算速度。