如何连接 Apache Spark DataFrame 中的列？

在Apache Spark DataFrame中连接列

在Spark应用中，处理结构化数据经常需要将多列组合成一个整体。一个常见的任务是连接两列或多列以生成一个新的组合列。Spark SQL提供了便捷的机制来无缝地实现这一点。

方法一：使用原始SQL中的CONCAT函数

对于使用原始SQL查询的用户，CONCAT函数可以派上用场。它允许你将多列的字符串组合成单个字符串。

Python:

<code class="language-python">df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ', v) FROM df")</code>

Scala:

<code class="language-scala">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")</code>

方法二：利用DataFrame API的concat函数

从Spark 1.5.0开始，DataFrame API引入了concat函数，提供了一种优雅的方式在API中连接列。

Python:

<code class="language-python">from pyspark.sql.functions import concat, col, lit

df.select(concat(col("k"), lit(" "), col("v")))</code>

Scala:

<code class="language-scala">import org.apache.spark.sql.functions.{concat, lit}

df.select(concat($"k", lit(" "), $"v"))</code>

方法三：使用concat_ws函数自定义分隔符

Spark还提供concat_ws函数，允许你指定连接字符串之间的自定义分隔符。

示例：

<code class="language-python"># 创建一个包含多个列的DataFrame
df = spark.createDataFrame([
    ("John", "Doe", "John Doe"),
    ("Jane", "Smith", "Jane Smith")
], ["first_name", "last_name", "full_name"])

# 使用自定义分隔符连接名字和姓氏
df = df.withColumn("full_name_with_comma", concat_ws(",", df.first_name, df.last_name))</code>

以上是如何连接 Apache Spark DataFrame 中的列？的详细内容。更多信息请关注PHP中文网其他相关文章！