私が次のようなことをしているとしましょう：

val df = sqlContext.load("com.databricks.spark.csv", Map("path" -> "cars.csv", "header" -> "true"))
df.printSchema()

root
 |-- year: string (nullable = true)
 |-- make: string (nullable = true)
 |-- model: string (nullable = true)
 |-- comment: string (nullable = true)
 |-- blank: string (nullable = true)

df.show()
year make  model comment              blank
2012 Tesla S     No comment
1997 Ford  E350  Go get one now th...

しかし、私は本当に望んでいたyearとしてInt（そしておそらくいくつかの他の列を変換します）。

私が思いつくことができた最高のものは

df.withColumn("year2", 'year.cast("Int")).select('year2 as 'year, 'make, 'model, 'comment, 'blank)
org.apache.spark.sql.DataFrame = [year: int, make: string, model: string, comment: string, blank: string]

これは少し複雑です。

私はR出身で、書くことができるのに慣れています。

df2 <- df %>%
   mutate(year = year %>% as.integer,
          make = make %>% toupper)

Spark / Scalaでこれを行うより良い方法があるはずですので、私は何かを逃している可能性があります...

編集：最新バージョン

Spark 2.xから使用できます.withColumn。ここのドキュメントを確認してください：

https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.Dataset@withColumn(colName:String,col:org.apache.spark.sql.Column） ：org.apache.spark.sql.DataFrame

最も古い答え

Sparkバージョン1.4以降、列にDataTypeを指定してキャストメソッドを適用できます。

import org.apache.spark.sql.types.IntegerType
val df2 = df.withColumn("yearTmp", df.year.cast(IntegerType))
    .drop("year")
    .withColumnRenamed("yearTmp", "year")

SQL式を使用している場合は、次のこともできます。

val df2 = df.selectExpr("cast(year as int) year", 
                        "make", 
                        "model", 
                        "comment", 
                        "blank")

詳細については、ドキュメントを確認してください：http : //spark.apache.org/docs/1.6.0/api/scala/#org.apache.spark.sql.DataFrame

[編集：2016年3月：投票をありがとう！しかし、本当に、これは私がベースのソリューションを考えて、最善の答えではないwithColumn、withColumnRenamedとcastmsemelmanにより前方に置く、マーティンセンヌなどが]簡単かつきれいです。

あなたのアプローチは大丈夫だと思いますDataFrame。Sparkは行の（不変の）RDDであることを思い出してください。そのため、列を実際に置き換えるのではなくDataFrame、新しいスキーマで毎回新しいものを作成するだけです。

次のスキーマを持つ元のdfがあると仮定します。

scala> df.printSchema
root
 |-- Year: string (nullable = true)
 |-- Month: string (nullable = true)
 |-- DayofMonth: string (nullable = true)
 |-- DayOfWeek: string (nullable = true)
 |-- DepDelay: string (nullable = true)
 |-- Distance: string (nullable = true)
 |-- CRSDepTime: string (nullable = true)

また、いくつかのUDFは1つまたは複数の列で定義されています。

import org.apache.spark.sql.functions._

val toInt    = udf[Int, String]( _.toInt)
val toDouble = udf[Double, String]( _.toDouble)
val toHour   = udf((t: String) => "%04d".format(t.toInt).take(2).toInt ) 
val days_since_nearest_holidays = udf( 
  (year:String, month:String, dayOfMonth:String) => year.toInt + 27 + month.toInt-12
 )

列の型を変更したり、別の列から新しいDataFrameを作成したりすることも、次のように書くことができます。

val featureDf = df
.withColumn("departureDelay", toDouble(df("DepDelay")))
.withColumn("departureHour",  toHour(df("CRSDepTime")))
.withColumn("dayOfWeek",      toInt(df("DayOfWeek")))              
.withColumn("dayOfMonth",     toInt(df("DayofMonth")))              
.withColumn("month",          toInt(df("Month")))              
.withColumn("distance",       toDouble(df("Distance")))              
.withColumn("nearestHoliday", days_since_nearest_holidays(
              df("Year"), df("Month"), df("DayofMonth"))
            )              
.select("departureDelay", "departureHour", "dayOfWeek", "dayOfMonth", 
        "month", "distance", "nearestHoliday")            

これにより、

scala> df.printSchema
root
 |-- departureDelay: double (nullable = true)
 |-- departureHour: integer (nullable = true)
 |-- dayOfWeek: integer (nullable = true)
 |-- dayOfMonth: integer (nullable = true)
 |-- month: integer (nullable = true)
 |-- distance: double (nullable = true)
 |-- nearestHoliday: integer (nullable = true)

これはあなた自身のソリューションにかなり近いです。単純に、型の変更とその他の変換を別々udf valのとして維持することで、コードが読みやすくなり、再利用可能になります。

このcast操作はSparkで使用できるためColumn（そして、個人的には、この時点でudf@によって提案されたの操作は好みませんSvend）、どうですか：

df.select( df("year").cast(IntegerType).as("year"), ... )

リクエストされたタイプにキャストするには？きちんとした副作用として、その意味でキャスト可能/「変換可能」ではない値は、nullます。

ヘルパーメソッドとしてこれが必要な場合は、次を使用します。

object DFHelper{
  def castColumnTo( df: DataFrame, cn: String, tpe: DataType ) : DataFrame = {
    df.withColumn( cn, df(cn).cast(tpe) )
  }
}

これは次のように使用されます：

import DFHelper._
val df2 = castColumnTo( df, "year", IntegerType )

まず、型をキャストする場合は、次のようにします。

import org.apache.spark.sql
df.withColumn("year", $"year".cast(sql.types.IntegerType))

同じ列名の場合、列は新しい列に置き換えられます。ステップを追加および削除する必要はありません。

第二に、ScalaとRについて。
これは、RIに最もよく似たコードです。

val df2 = df.select(
   df.columns.map {
     case year @ "year" => df(year).cast(IntegerType).as(year)
     case make @ "make" => functions.upper(df(make)).as(make)
     case other         => df(other)
   }: _*
)

コード長はRより少し長いですが。それは言語の冗長性とは関係ありません。RではRはmutateRデータフレームの特別な関数ですが、Scalaではその表現力のおかげで簡単にアドホックにできます。
つまり、特定のソリューションを回避できます。言語設計は、独自のドメイン言語をすばやく簡単に構築するのに十分なためです。

補足：df.columns意外にもArray[String]代わりにArray[Column]、Pythonパンダのデータフレームのように見せたいと思うかもしれません。

あなたはselectExprそれを少しきれいにするために使うことができます：

df.selectExpr("cast(year as int) as year", "upper(make) as make",
    "model", "comment", "blank")

DataFrameのデータ型をStringからIntegerに変更するJavaコード

df.withColumn("col_name", df.col("col_name").cast(DataTypes.IntegerType))

それは単に、existing（String datatype）をIntegerにキャストします。

年を文字列からintに変換するには、csvリーダーに次のオプションを追加できます： "inferSchema"-> "true"、DataBricksのドキュメントを参照

したがって、これはsqlserverのようなjdbcドライバーへの保存に問題がある場合にのみ機能しますが、構文と型で発生するエラーには非常に役立ちます。

import org.apache.spark.sql.jdbc.{JdbcDialects, JdbcType, JdbcDialect}
import org.apache.spark.sql.jdbc.JdbcType
val SQLServerDialect = new JdbcDialect {
  override def canHandle(url: String): Boolean = url.startsWith("jdbc:jtds:sqlserver") || url.contains("sqlserver")

  override def getJDBCType(dt: DataType): Option[JdbcType] = dt match {
    case StringType => Some(JdbcType("VARCHAR(5000)", java.sql.Types.VARCHAR))
    case BooleanType => Some(JdbcType("BIT(1)", java.sql.Types.BIT))
    case IntegerType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case LongType => Some(JdbcType("BIGINT", java.sql.Types.BIGINT))
    case DoubleType => Some(JdbcType("DOUBLE PRECISION", java.sql.Types.DOUBLE))
    case FloatType => Some(JdbcType("REAL", java.sql.Types.REAL))
    case ShortType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case ByteType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case BinaryType => Some(JdbcType("BINARY", java.sql.Types.BINARY))
    case TimestampType => Some(JdbcType("DATE", java.sql.Types.DATE))
    case DateType => Some(JdbcType("DATE", java.sql.Types.DATE))
    //      case DecimalType.Fixed(precision, scale) => Some(JdbcType("NUMBER(" + precision + "," + scale + ")", java.sql.Types.NUMERIC))
    case t: DecimalType => Some(JdbcType(s"DECIMAL(${t.precision},${t.scale})", java.sql.Types.DECIMAL))
    case _ => throw new IllegalArgumentException(s"Don't know how to save ${dt.json} to JDBC")
  }
}

JdbcDialects.registerDialect(SQLServerDialect)

5つの値を含む単純なデータセットを生成し、タイプに変換intしますstring。

val df = spark.range(5).select( col("id").cast("string") )

これは私にはもっと読みやすいと思います。

import org.apache.spark.sql.types._
df.withColumn("year", df("year").cast(IntegerType))

これにより、年の列がに変換され、IntegerType一時的な列が作成されてそれらの列が削除されます。他のデータ型に変換する場合は、org.apache.spark.sql.typesパッケージ内の型を確認できます。

キャストを使用することを示唆する答え、FYI、spark 1.4.1のキャストメソッドは壊れています。

たとえば、bigintにキャストしたときに「8182175552014127960」という値の文字列列を持つデータフレームの値は「8182175552014128100」になります。

    df.show
+-------------------+
|                  a|
+-------------------+
|8182175552014127960|
+-------------------+

    df.selectExpr("cast(a as bigint) a").show
+-------------------+
|                  a|
+-------------------+
|8182175552014128100|
+-------------------+

本番環境にはbigint列があったため、このバグを見つける前に多くの問題に直面する必要がありました。

df.select($"long_col".cast(IntegerType).as("int_col"))

Spark Sql 2.4.0を使用すると、次のことができます。

spark.sql("SELECT STRING(NULLIF(column,'')) as column_string")

以下のコードを使用できます。

df.withColumn("year", df("year").cast(IntegerType))

年の列をIntegerType列に変換します。

このメソッドは、古い列を削除し、同じ値と新しいデータ型を持つ新しい列を作成します。DataFrameが作成されたときの私の元のデータ型は：

root
 |-- id: integer (nullable = true)
 |-- flag1: string (nullable = true)
 |-- flag2: string (nullable = true)
 |-- name: string (nullable = true)
 |-- flag3: string (nullable = true)

この後、次のコードを実行してデータ型を変更しました：

df=df.withColumnRenamed(<old column name>,<dummy column>) // This was done for both flag1 and flag3
df=df.withColumn(<old column name>,df.col(<dummy column>).cast(<datatype>)).drop(<dummy column>)

この後、私の結果は次のようになりました：-

root
 |-- id: integer (nullable = true)
 |-- flag2: string (nullable = true)
 |-- name: string (nullable = true)
 |-- flag1: boolean (nullable = true)
 |-- flag3: boolean (nullable = true)

スパークSQLでキャストを使用して、列のデータ型を変更できます。テーブル名はtableで、column1とcolumn2の2つの列のみがあり、column1のデータ型が変更されます。ex-spark.sql（ "select cast（column1 as Double）column1NewName、column2 from table"）doubleの代わりにデータ型を記述します。

名前で指定された数十の列の名前を変更する必要がある場合、次の例では@dnlbrkyのアプローチを採用して、一度に複数の列に適用します。

df.selectExpr(df.columns.map(cn => {
    if (Set("speed", "weight", "height").contains(cn)) s"cast($cn as double) as $cn"
    else if (Set("isActive", "hasDevice").contains(cn)) s"cast($cn as boolean) as $cn"
    else cn
}):_*)

キャストされていない列は変更されません。すべての列は元の順序のままです。

非常に多くの回答があり、あまり徹底的な説明はありません

以下の構文は、Spark 2.4でDatabricks Notebookを使用して機能します

from pyspark.sql.functions import *
df = df.withColumn("COL_NAME", to_date(BLDFm["LOAD_DATE"], "MM-dd-yyyy"))

あなたが持っているエントリーフォーマット（私の場合は「MM-dd-yyyy」）を指定する必要があり、to_dateはspark sql関数なのでインポートは必須であることに注意してください

また、この構文を試しましたが、適切なキャストの代わりにnullを取得しました：

df = df.withColumn("COL_NAME", df["COL_NAME"].cast("Date"))

（ただし、構文的に正しくするには括弧と引用符を使用する必要があったことに注意してください）


PS：これは構文ジャングルのようなものであることを認めなければなりません。エントリポイントには多くの可能な方法があり、公式のAPI参照には適切な例がありません。

別の解決策は次のとおりです。

1） "inferSchema"をFalseのままにします

2）行で「マップ」関数を実行している間、「asString」（row.getString ...）を読み取ることができます

//Read CSV and create dataset
Dataset<Row> enginesDataSet = sparkSession
            .read()
            .format("com.databricks.spark.csv")
            .option("header", "true")
            .option("inferSchema","false")
            .load(args[0]);

JavaRDD<Box> vertices = enginesDataSet
            .select("BOX","BOX_CD")
            .toJavaRDD()
            .map(new Function<Row, Box>() {
                @Override
                public Box call(Row row) throws Exception {
                    return new Box((String)row.getString(0),(String)row.get(1));
                }
            });

http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.Column.castで説明されているようにしないでください。

df.select(df.year.cast("int"),"make","model","comment","blank")

    val fact_df = df.select($"data"(30) as "TopicTypeId", $"data"(31) as "TopicId",$"data"(21).cast(FloatType).as( "Data_Value_Std_Err")).rdd
    //Schema to be applied to the table
    val fact_schema = (new StructType).add("TopicTypeId", StringType).add("TopicId", StringType).add("Data_Value_Std_Err", FloatType)

    val fact_table = sqlContext.createDataFrame(fact_df, fact_schema).dropDuplicates()

別の方法：

// Generate a simple dataset containing five values and convert int to string type

val df = spark.range(5).select( col("id").cast("string")).withColumnRenamed("id","value")

個々の列名を指定せずに特定のタイプの複数の列を別の列に変更する場合

/* Get names of all columns that you want to change type. 
In this example I want to change all columns of type Array to String*/
    val arrColsNames = originalDataFrame.schema.fields.filter(f => f.dataType.isInstanceOf[ArrayType]).map(_.name)

//iterate columns you want to change type and cast to the required type
val updatedDataFrame = arrColsNames.foldLeft(originalDataFrame){(tempDF, colName) => tempDF.withColumn(colName, tempDF.col(colName).cast(DataTypes.StringType))}

//display

updatedDataFrame.show(truncate = false)