web-dev-qa-db-fra.com

PySpark crée une nouvelle colonne avec le mappage à partir d'un dict

En utilisant Spark 1.6, j'ai un Spark DataFrame column (nommé disons col1) avec les valeurs A, B, C, DS, DNS, E, F, G et H et je veux créer une nouvelle colonne (disons col2) avec les valeurs de dict ci-dessous, comment mapper cela? (donc f.i. 'A' doit être mappé sur 'S' etc.)

dict = {'A': 'S', 'B': 'S', 'C': 'S', 'DS': 'S', 'DNS': 'S', 'E': 'NS', 'F': 'NS', 'G': 'NS', 'H': 'NS'}
pythonapache-sparkdictionarypysparkapache-spark-sql
12
ad_s

Solution inefficace avec UDF (version indépendante):

from pyspark.sql.types import StringType
from pyspark.sql.functions import udf

def translate(mapping):
    def translate_(col):
        return mapping.get(col)
    return udf(translate_, StringType())

df = sc.parallelize([('DS', ), ('G', ), ('INVALID', )]).toDF(['key'])
mapping = {
    'A': 'S', 'B': 'S', 'C': 'S', 'DS': 'S', 'DNS': 'S', 
    'E': 'NS', 'F': 'NS', 'G': 'NS', 'H': 'NS'}

df.withColumn("value", translate(mapping)("key"))

avec le résultat:

+-------+-----+
|    key|value|
+-------+-----+
|     DS|    S|
|      G|   NS|
|INVALID| null|
+-------+-----+

Beaucoup plus efficace (Spark 2.0+ uniquement) consiste à créer un MapType littéral:

from pyspark.sql.functions import col, create_map, lit
from itertools import chain

mapping_expr = create_map([lit(x) for x in chain(*mapping.items())])

df.withColumn("value", mapping_expr.getItem(col("key")))

avec le même résultat:

+-------+-----+
|    key|value|
+-------+-----+
|     DS|    S|
|      G|   NS|
|INVALID| null|
+-------+-----+

mais un plan d'exécution plus efficace:

== Physical Plan ==
*Project [key#15, keys: [B,DNS,DS,F,E,H,C,G,A], values: [S,S,S,NS,NS,NS,S,NS,S][key#15] AS value#53]
+- Scan ExistingRDD[key#15]

par rapport à la version UDF:

== Physical Plan ==
*Project [key#15, pythonUDF0#61 AS value#57]
+- BatchEvalPython [translate_(key#15)], [key#15, pythonUDF0#61]
   +- Scan ExistingRDD[key#15]
30
user6910411

On dirait que la solution la plus simple serait d'utiliser la fonction de remplacement: http://spark.Apache.org/docs/2.4.0/api/python/pyspark.sql.html#pyspark.sql.DataFrame.replace

mapping= {
        'A': '1',
        'B': '2'
    }
df2 = df.replace(to_replace=mapping, subset=['yourColName'])
2
Haim Bendanan