pysparkのデータフレーム列名を変更するにはどうすればよいですか？

私はパンダの背景から来ており、CSVファイルからデータフレームにデータを読み取り、次に単純なコマンドを使用して列名を便利なものに変更することに慣れています：

df.columns = new_column_name_list

ただし、sqlContextを使用して作成されたpysparkデータフレームでは同じことが機能しません。これを簡単に行うために私が理解できる唯一の解決策は次のとおりです。

df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', inferschema='true', delimiter='\t').load("data.txt")
oldSchema = df.schema
for i,k in enumerate(oldSchema.fields):
  k.name = new_column_name_list[i]
df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', delimiter='\t').load("data.txt", schema=oldSchema)

これは基本的に変数を2回定義し、最初にスキーマを推論してから列名を変更し、更新されたスキーマでデータフレームを再度ロードします。

私たちがパンダのようにこれを行うためのより良い、より効率的な方法はありますか？

私のスパークバージョンは1.5.0です

それには多くの方法があります。

• オプション1. selectExprを使用する。

  data = sqlContext.createDataFrame([("Alberto", 2), ("Dakota", 2)], 
                                    ["Name", "askdaosdka"])
  data.show()
  data.printSchema()
  
  # Output
  #+-------+----------+
  #|   Name|askdaosdka|
  #+-------+----------+
  #|Alberto|         2|
  #| Dakota|         2|
  #+-------+----------+
  
  #root
  # |-- Name: string (nullable = true)
  # |-- askdaosdka: long (nullable = true)
  
  df = data.selectExpr("Name as name", "askdaosdka as age")
  df.show()
  df.printSchema()
  
  # Output
  #+-------+---+
  #|   name|age|
  #+-------+---+
  #|Alberto|  2|
  #| Dakota|  2|
  #+-------+---+
  
  #root
  # |-- name: string (nullable = true)
  # |-- age: long (nullable = true)

• オプション2. withColumnRenamedを使用すると、このメソッドで同じ列を「上書き」できることに注意してください。python3の場合、交換してくださいxrangeとrange。

  from functools import reduce
  
  oldColumns = data.schema.names
  newColumns = ["name", "age"]
  
  df = reduce(lambda data, idx: data.withColumnRenamed(oldColumns[idx], newColumns[idx]), xrange(len(oldColumns)), data)
  df.printSchema()
  df.show()

• オプション3. 別名を使用する 。Scalaでは、としても使用できます。

  from pyspark.sql.functions import col
  
  data = data.select(col("Name").alias("name"), col("askdaosdka").alias("age"))
  data.show()
  
  # Output
  #+-------+---+
  #|   name|age|
  #+-------+---+
  #|Alberto|  2|
  #| Dakota|  2|
  #+-------+---+

• オプション4. sqlContext.sqlを使用します。これによりDataFrames、テーブルとして登録されたSQLクエリを使用できます。

  sqlContext.registerDataFrameAsTable(data, "myTable")
  df2 = sqlContext.sql("SELECT Name AS name, askdaosdka as age from myTable")
  
  df2.show()
  
  # Output
  #+-------+---+
  #|   name|age|
  #+-------+---+
  #|Alberto|  2|
  #| Dakota|  2|
  #+-------+---+

df = df.withColumnRenamed("colName", "newColName")
       .withColumnRenamed("colName2", "newColName2")

この方法を使用する利点：列のリストが長い場合、変更する列名はほんのわずかです。これは、これらのシナリオで非常に便利です。重複する列名を持つテーブルを結合するときに非常に役立ちます。

すべての列名を変更したい場合は、 df.toDF(*cols)

すべての列名に単純な変換を適用したい場合は、このコードでうまくいきます（すべてのスペースをアンダースコアに置き換えます）。

new_column_name_list= list(map(lambda x: x.replace(" ", "_"), df.columns))

df = df.toDF(*new_column_name_list)

toDfトリックのための@ user8117731に感謝します。

単一の列の名前を変更し、残りをそのままにしたい場合：

from pyspark.sql.functions import col
new_df = old_df.select(*[col(s).alias(new_name) if s == column_to_change else s for s in old_df.columns])

df.withColumnRenamed('age', 'age2')

これは私が使用したアプローチです：

pysparkセッションを作成します。

import pyspark
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('changeColNames').getOrCreate()

データフレームを作成します。

df = spark.createDataFrame(data = [('Bob', 5.62,'juice'),  ('Sue',0.85,'milk')], schema = ["Name", "Amount","Item"])

列名を含むdfを表示：

df.show()
+----+------+-----+
|Name|Amount| Item|
+----+------+-----+
| Bob|  5.62|juice|
| Sue|  0.85| milk|
+----+------+-----+

新しい列名でリストを作成します。

newcolnames = ['NameNew','AmountNew','ItemNew']

dfの列名を変更します。

for c,n in zip(df.columns,newcolnames):
    df=df.withColumnRenamed(c,n)

新しい列名でdfを表示：

df.show()
+-------+---------+-------+
|NameNew|AmountNew|ItemNew|
+-------+---------+-------+
|    Bob|     5.62|  juice|
|    Sue|     0.85|   milk|
+-------+---------+-------+

誰かが使用したい場合に備えて、pysparkデータフレームの複数の列の名前を変更するための使いやすい関数を作成しました。

def renameCols(df, old_columns, new_columns):
    for old_col,new_col in zip(old_columns,new_columns):
        df = df.withColumnRenamed(old_col,new_col)
    return df

old_columns = ['old_name1','old_name2']
new_columns = ['new_name1', 'new_name2']
df_renamed = renameCols(df, old_columns, new_columns)

注意してください、両方のリストは同じ長さでなければなりません。

1つの列のみの名前を変更する別の方法（を使用import pyspark.sql.functions as F）：

df = df.select( '*', F.col('count').alias('new_count') ).drop('count')

私はこれを使います：

from pyspark.sql.functions import col
df.select(['vin',col('timeStamp').alias('Date')]).show()

次の関数を使用して、データフレームのすべての列の名前を変更できます。

def df_col_rename(X, to_rename, replace_with):
    """
    :param X: spark dataframe
    :param to_rename: list of original names
    :param replace_with: list of new names
    :return: dataframe with updated names
    """
    import pyspark.sql.functions as F
    mapping = dict(zip(to_rename, replace_with))
    X = X.select([F.col(c).alias(mapping.get(c, c)) for c in to_rename])
    return X

いくつかの列名のみを更新する必要がある場合は、replace_withリストで同じ列名を使用できます

すべての列の名前を変更するには

df_col_rename(X,['a', 'b', 'c'], ['x', 'y', 'z'])

一部の列の名前を変更するには

df_col_rename(X,['a', 'b', 'c'], ['a', 'y', 'z'])

1つの列の名前を変更する場合でも、toDF（）を使用できます。例えば、

df1.selectExpr("SALARY*2").toDF("REVISED_SALARY").show()

さまざまな方法で列名を変更できます。

まず、簡単なDataFrameを作成します。

df = spark.createDataFrame([("x", 1), ("y", 2)], 
                                  ["col_1", "col_2"])

次に、col_1をcol_3に名前変更してみましょう。PFBで同じことを行うためのいくつかのアプローチ。

# Approach - 1 : using withColumnRenamed function.
df.withColumnRenamed("col_1", "col_3").show()

# Approach - 2 : using alias function.
df.select(df["col_1"].alias("col3"), "col_2").show()

# Approach - 3 : using selectExpr function.
df.selectExpr("col_1 as col_3", "col_2").show()

# Rename all columns
# Approach - 4 : using toDF function. Here you need to pass the list of all columns present in DataFrame.
df.toDF("col_3", "col_2").show()

これが出力です。

+-----+-----+
|col_3|col_2|
+-----+-----+
|    x|    1|
|    y|    2|
+-----+-----+

これがお役に立てば幸いです。