向Spark的DataFrame增加一列資料

先說個題外話，如何給hive表增加乙個列，並且該把該列的所有欄位設為』china』？

如果僅僅是增加一列倒是很簡單:

alter table test add columns(flag string)

可要把這個flag欄位全部設定為china，看起來的確是有點難度，因為往hive表中裝載資料的唯一途徑就是使用一種「大量」的資料裝載操作（如何往hive表載入資料請參考），這個時候，如果資料集中本來就沒有flag對應的資料，難道非要手動把china新增上去？這種情況，可以通過靜態分割槽就能夠解決：

load data local inpath '/data/test.txt' overwrite into table test partition (flag = 'china')

有人說，這不扯淡嗎？如果這個china欄位，並不是我們經常需要訪問的字段，何須作為分割槽欄位呢？的確是這樣的，這個時候還可以通過下面的方式來解決這個問題：

insert into table test1  select id, name,'china' as flag from test;

好了步入正題：如何向spark的dataframe增加一列資料

準備資料集：

張三,23 李四,24 王五,25

趙六,26

程式入口sparksession和載入資料**這裡不再描述：

val spark = sparksession
.builder()
.master(master = "local[*]")
.getorcreate()
import spark.implicits._
val df = spark.read.textfile("./data/clm")
.map(_.split(","))
.map(x => (x(0), x(1)))
.todf("name", "age")
.cache()

通過新增列或替換具有相同名稱的現有列來返回新的資料集

column的表示式只能引用此資料集提供的屬性。新增引用其他資料集的列是錯誤的

新的列只能通過現有列轉換得到，這個就有點侷限，不過也能解決一部分問題：

比如，我想再增加一列為所有age增加1作為新的一列：

df.withcolumn("new_age", col = df("age") + 1).show()

結果：

+----+---+-------+
|name|age|new_age|
+----+---+-------+
|張三| 23|   24.0|
|李四| 24|   25.0|
|王五| 25|   26.0|
|趙六| 26|   27.0|
+----+---+-------+

那麼如果我想像前言中做那樣的操作怎麼辦？

lit函式的作用：creates a [[column]] of literal value. 建立[[column]]的字面量值

df.withcolumn("class",lit("一班")).show()

結果:

+----+---+-----+
|name|age|class|
+----+---+-----+
|張三| 23| 一班|
|李四| 24| 一班|
|王五| 25| 一班|
|趙六| 26| 一班|
+----+---+-----+

df.createtempview(viewname = "view1")
import spark.sql
sql(sqltext = "select name,age,'一班' as class from view1").show()

結果：

+----+---+-----+
|name|age|class|
+----+---+-----+
|張三| 23| 一班|
|李四| 24| 一班|
|王五| 25| 一班|
|趙六| 26| 一班|
+----+---+-----+

sql(sqltext = "select name,age,concat('','一班') as class from view1").show()

結果:

+----+---+-----+
|name|age|class|
+----+---+-----+
|張三| 23| 一班|
|李四| 24| 一班|
|王五| 25| 一班|
|趙六| 26| 一班|
+----+---+-----+

該函式官網的描述是：乙個列表示式，用於生成單調遞增的64位整數。但是請注意：這個自增列在分區內是連續的，但是分區間並不連續

先來個簡單的使用案例：

import org.apache.spark.sql.functions._
df.withcolumn("id", monotonically_increasing_id()).show()

結果：

+----+---+---+
|name|age| id|
+----+---+---+
|張三| 23|  0|
|李四| 24|  1|
|王五| 25|  2|
|趙六| 26|  3|
+----+---+---+

但是，monotonically_increasing_id() 方法生成單調遞增僅僅是針對同乙個分割槽，儘管不同分割槽之間生成的id都是不同的，可不同分區間id不連續，也會造成使用上面的困難，下面進行詳細講解

df.repartition(2)
.withcolumn("id", monotonically_increasing_id())
.show()

結果：

+----+---+----------+
|name|age|        id|
+----+---+----------+
|李四| 24|         0|
|趙六| 26|         1|
|張三| 23|8589934592|
|王五| 25|8589934593|
+----+---+----------+

顯然，可以看出李四和趙六為同一分割槽，張三和王五為另乙個分割槽，這兩個分區間id雖然不同，但是並不連續

val tmprdd: rdd[(row, long)] = df.rdd.repartition(2).zipwithindex()
val record: rdd[row] = tmprdd.map(x => )
val schema = new structtype().add("name", "string")
.add("age", "string")
.add("id", "long")
spark.createdataframe(record, schema).show()

結果：

+----+---+---+
|name|age| id|
+----+---+---+
|張三| 23|  0|
|王五| 25|  1|
|李四| 24|  2|
|趙六| 26|  3|
+----+---+---+

val w = window.orderby("age")
df.repartition(2).withcolumn("id", row_number().over(w)).show()

結果：

+----+---+---+
|name|age| id|
+----+---+---+
|張三| 23|  1|
|李四| 24|  2|
|王五| 25|  3|
|趙六| 26|  4|
+----+---+---+

df.repartition(1)
.withcolumn("id", monotonically_increasing_id())
.repartition(2)
.show()

結果：

+----+---+---+
|name|age| id|
+----+---+---+
|張三| 23|  0|
|李四| 24|  1|
|王五| 25|  2|
|趙六| 26|  3|
+----+---+---+

向Spark的DataFrame增加一列資料

pandas的資料結構之DataFrame

pandas中的資料結構 DataFrame

關於Spark和Spark的學習資料

向Spark的DataFrame增加一列資料

pandas的資料結構之DataFrame

pandas中的資料結構 DataFrame

關於Spark和Spark的學習資料

相關推薦