Как добавить постоянный столбец в Spark DataFrame?

Я хочу добавить столбец в DataFrame с некоторым произвольным значением (то же самое для каждой строки). Я получаю сообщение об ошибке, когда использую withColumn следующим образом:

dt.withColumn('new_column', 10).head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'

Кажется, что я могу обмануть функцию в работе, как я хочу, добавляя и вычитая один из других столбцов (поэтому они добавляют к нулю), а затем добавляя число, которое я хочу (10 в этом случае):

dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)

[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]

Это в высшей степени хакерский, не так ли? Я предполагаю, что существует более законный способ сделать это?

Ответ 1

Искра 2. 2+

Spark 2.2 представляет typedLit для поддержки Seq, Map и Tuples (SPARK-19254), и должны поддерживаться следующие вызовы (Scala):

import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, .0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Искра 1. 3+ (lit), 1. 4+ (array, struct), 2. 0+ (map):

Второй аргумент для DataFrame.withColumn должен быть Column поэтому вы должны использовать литерал:

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))

Если вам нужны сложные столбцы, вы можете построить их, используя такие блоки, как array:

from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

Точно такие же методы можно использовать в Scala.

import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

Чтобы предоставить имена для structs используйте любой alias в каждом поле:

df.withColumn(
    "some_struct",
    struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z"))
 )

или cast на весь объект

df.withColumn(
    "some_struct", 
    struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>")
 )

Также возможно, хотя и медленнее, использовать UDF.

Примечание:

Эти же конструкции могут использоваться для передачи постоянных аргументов в UDF или функции SQL.

Ответ 2

В spark 2.2 есть два способа добавить постоянное значение в столбец в DataFrame:

1) Использование lit

2) Использование typedLit.

Разница между ними заключается в том, что typedLit также может обрабатывать параметризованные типы scala, например List, Seq и Map.

Пример DataFrame:

val df = spark.createDataFrame(Seq((0,"a"),(1,"b"),(2,"c"))).toDF("id", "col1")

+---+----+
| id|col1|
+---+----+
|  0|   a|
|  1|   b|
+---+----+

1) Использование lit : Добавление константного строкового значения в новый столбец с именем newcol:

import org.apache.spark.sql.functions.lit
val newdf = df.withColumn("newcol",lit("myval"))

Результат:

+---+----+------+
| id|col1|newcol|
+---+----+------+
|  0|   a| myval|
|  1|   b| myval|
+---+----+------+

2) Использование typedLit :

import org.apache.spark.sql.functions.typedLit
df.withColumn("newcol", typedLit(("sample", 10, .044)))

Результат:

+---+----+-----------------+
| id|col1|           newcol|
+---+----+-----------------+
|  0|   a|[sample,10,0.044]|
|  1|   b|[sample,10,0.044]|
|  2|   c|[sample,10,0.044]|
+---+----+-----------------+

Ответ 3

class Insertid:

    '''
    Example usage:
    gen_id=Insertid()
    df=genid(model_data)
    '''

    def __init__(self, ColName='*', IDColName='id'):
            self.ColName = ColName
            self.IDColName = IDColName
            self.index_dict = {'index': -1}

    def increaingId(self, row):
            row = row.asDict()
            self.index_dict['index'] += 1
            row['index'] = self.index_dict['index']
            return row

    def fit(self, df):
            df = df.select(*self.ColName.split(','))
            self.df = df.rdd.map(lambda row: self.increaingId(row)).toDF()

    def __call__(self, df):
            self.fit(df)
            return self.df

искра: 2.0.2 id: 0,1,... n