（PySparkを使用して）Spark DataFrameに新しい列を追加するにはどうすればよいですか？

Spark DataFrame（PySpark 1.5.1を使用）があり、新しい列を追加したいと思います。

私は成功せずに次のことを試しました：

type(randomed_hours) # => list

# Create in Python and transform to RDD

new_col = pd.DataFrame(randomed_hours, columns=['new_col'])

spark_new_col = sqlContext.createDataFrame(new_col)

my_df_spark.withColumn("hours", spark_new_col["new_col"])

これを使用してもエラーが発生しました：

my_df_spark.withColumn("hours",  sc.parallelize(randomed_hours))

では、PySparkを使用して既存のDataFrameに新しい列（Pythonベクターに基づく）を追加するにはどうすればよいですか？

DataFrameSparkの任意の列をに追加することはできません。新しい列は、リテラルを使用することによってのみ作成できます（他のリテラルタイプについては、Spark DataFrameに定数列を追加する方法で説明しています）。

from pyspark.sql.functions import lit

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

df_with_x4 = df.withColumn("x4", lit(0))
df_with_x4.show()

## +---+---+-----+---+
## | x1| x2|   x3| x4|
## +---+---+-----+---+
## |  1|  a| 23.0|  0|
## |  3|  B|-23.0|  0|
## +---+---+-----+---+

既存の列を変換する：

from pyspark.sql.functions import exp

df_with_x5 = df_with_x4.withColumn("x5", exp("x3"))
df_with_x5.show()

## +---+---+-----+---+--------------------+
## | x1| x2|   x3| x4|                  x5|
## +---+---+-----+---+--------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9|
## |  3|  B|-23.0|  0|1.026187963170189...|
## +---+---+-----+---+--------------------+

使用して含まれるjoin：

from pyspark.sql.functions import exp

lookup = sqlContext.createDataFrame([(1, "foo"), (2, "bar")], ("k", "v"))
df_with_x6 = (df_with_x5
    .join(lookup, col("x1") == col("k"), "leftouter")
    .drop("k")
    .withColumnRenamed("v", "x6"))

## +---+---+-----+---+--------------------+----+
## | x1| x2|   x3| x4|                  x5|  x6|
## +---+---+-----+---+--------------------+----+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|
## |  3|  B|-23.0|  0|1.026187963170189...|null|
## +---+---+-----+---+--------------------+----+

または関数/ udfで生成されます：

from pyspark.sql.functions import rand

df_with_x7 = df_with_x6.withColumn("x7", rand())
df_with_x7.show()

## +---+---+-----+---+--------------------+----+-------------------+
## | x1| x2|   x3| x4|                  x5|  x6|                 x7|
## +---+---+-----+---+--------------------+----+-------------------+
## |  1|  a| 23.0|  0| 9.744803446248903E9| foo|0.41930610446846617|
## |  3|  B|-23.0|  0|1.026187963170189...|null|0.37801881545497873|
## +---+---+-----+---+--------------------+----+-------------------+

pyspark.sql.functions通常、Catalystの式にマップされる、パフォーマンス面での組み込み関数（）は、Pythonのユーザー定義関数よりも優先されます。

任意のRDDのコンテンツを列として追加したい場合は、

• 既存のデータフレームに行番号を追加する
• zipWithIndexRDDを呼び出してデータフレームに変換する
• インデックスを結合キーとして使用して両方を結合する

UDFを使用して列を追加するには：

df = sqlContext.createDataFrame(
    [(1, "a", 23.0), (3, "B", -23.0)], ("x1", "x2", "x3"))

from pyspark.sql.functions import udf
from pyspark.sql.types import *

def valueToCategory(value):
   if   value == 1: return 'cat1'
   elif value == 2: return 'cat2'
   ...
   else: return 'n/a'

# NOTE: it seems that calls to udf() must be after SparkContext() is called
udfValueToCategory = udf(valueToCategory, StringType())
df_with_cat = df.withColumn("category", udfValueToCategory("x1"))
df_with_cat.show()

## +---+---+-----+---------+
## | x1| x2|   x3| category|
## +---+---+-----+---------+
## |  1|  a| 23.0|     cat1|
## |  3|  B|-23.0|      n/a|
## +---+---+-----+---------+

用スパーク2.0

# assumes schema has 'age' column 
df.select('*', (df.age + 10).alias('agePlusTen'))

pySparkに新しい列を追加する方法はいくつかあります。

まず、単純なDataFrameを作成します。

date = [27, 28, 29, None, 30, 31]
df = spark.createDataFrame(date, IntegerType())

次に、列の値を2倍にして、新しい列に格納してみましょう。同じを達成するためのPFBのいくつかの異なるアプローチ。

# Approach - 1 : using withColumn function
df.withColumn("double", df.value * 2).show()

# Approach - 2 : using select with alias function.
df.select("*", (df.value * 2).alias("double")).show()

# Approach - 3 : using selectExpr function with as clause.
df.selectExpr("*", "value * 2 as double").show()

# Approach - 4 : Using as clause in SQL statement.
df.createTempView("temp")
spark.sql("select *, value * 2 as double from temp").show()

Spark DataFrame関数のその他の例と説明については、私のブログにアクセスしてください。

これがお役に立てば幸いです。

をudf追加するときに、新しいを定義できますcolumn_name。

u_f = F.udf(lambda :yourstring,StringType())
a.select(u_f().alias('column_name')

from pyspark.sql.functions import udf
from pyspark.sql.types import *
func_name = udf(
    lambda val: val, # do sth to val
    StringType()
)
df.withColumn('new_col', func_name(df.old_col))

非常によく似たユースケースの一般化された例を提供したいと思います。

使用例：私は次のもので構成されるcsvを持っています：

First|Third|Fifth
data|data|data
data|data|data
...billion more lines

いくつかの変換を実行する必要があり、最終的なcsvは次のようになる必要があります

First|Second|Third|Fourth|Fifth
data|null|data|null|data
data|null|data|null|data
...billion more lines

これは一部のモデルで定義されているスキーマであり、最終的なデータをSQL一括挿入などと相互運用できるようにする必要があるため、これを行う必要があります。

そう：

1）spark.readを使用して元のcsvを読み取り、「df」と呼びます。

2）データに何かをします。

3）次のスクリプトを使用してnull列を追加します。

outcols = []
for column in MY_COLUMN_LIST:
    if column in df.columns:
        outcols.append(column)
    else:
        outcols.append(lit(None).cast(StringType()).alias('{0}'.format(column)))

df = df.select(outcols)

このようにして、csvを読み込んだ後にスキーマを構造化できます（多くのテーブルでこれを行う必要がある場合は、列の並べ替えにも機能します）。

列を追加する最も簡単な方法は、「withColumn」を使用することです。データフレームはsqlContextを使用して作成されるため、スキーマを指定する必要があります。デフォルトでは、データセットで使用できます。スキーマを指定すると、毎回変更するときにワークロードが面倒になります。

以下は、検討できる例です。

from pyspark.sql import SQLContext
from pyspark.sql.types import *
sqlContext = SQLContext(sc) # SparkContext will be sc by default 

# Read the dataset of your choice (Already loaded with schema)
Data = sqlContext.read.csv("/path", header = True/False, schema = "infer", sep = "delimiter")

# For instance the data has 30 columns from col1, col2, ... col30. If you want to add a 31st column, you can do so by the following:
Data = Data.withColumn("col31", "Code goes here")

# Check the change 
Data.printSchema()

以下の手順で、DataFrameに列を直接追加できます。

from pyspark.sql.functions import when
df = spark.createDataFrame([["amit", 30], ["rohit", 45], ["sameer", 50]], ["name", "age"])
df = df.withColumn("profile", when(df.age >= 40, "Senior").otherwise("Executive"))
df.show()