Spark DataFrameに定数列を追加するにはどうすればよいですか？

DataFrame任意の値を持つ列を追加します（各行で同じです）。withColumn次のように使用するとエラーが発生します。

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'

他の列の1つを加算および減算して（それらがゼロに加算される）、必要な数（この場合は10）を追加することで、関数を思い通りに機能させることができるようです。

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)]

これは最高にハックですね。これを行うにはもっと正当な方法があると思いますか？

Spark 2.2以降

Spark 2.2は、、および（SPARK-19254）typedLitをサポートするためSeqに導入され 、次の呼び出しがサポートされます（Scala）。MapTuples

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)))

Spark 1.3+（lit）、1.4 +（array、struct）、2.0 +（map）：

の2番目の引数はDataFrame.withColumna である必要があるColumnため、リテラルを使用する必要があります。

from pyspark.sql.functions import lit

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

複雑な列が必要な場合は、次のようなブロックを使用してこれらを構築できます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)))

Scalaでもまったく同じメソッドを使用できます。

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)))

各フィールドでstructs使用する名前を提供するにはalias：

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

またはcastオブジェクト全体

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

低速ではありますが、UDFを使用することもできます。

注：

同じ構成を使用して、UDFまたはSQL関数に定数引数を渡すことができます。

Spark 2.2では、DataFrameの列に定数値を追加する方法が2つあります。

1）使用 lit

2）を使用するtypedLit。

2つの違いは、typedLitList、Seq、Mapなどのパラメーター化されたScala型も処理できることです。

サンプルDataFrame：

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

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

1）使用lit： newcolという名前の新しい列に定数文字列値を追加します。

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

結果：

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

2）使用typedLit：

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

結果：

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