DataFrame
Spark-Scalaのすべてのヘッダー/列名を変換しようとしています。現在のところ、単一の列名のみを置き換える次のコードが考えられます。
for( i <- 0 to origCols.length - 1) {
df.withColumnRenamed(
df.columns(i),
df.columns(i).toLowerCase
);
}
回答:
構造が平らな場合:
val df = Seq((1L, "a", "foo", 3.0)).toDF
df.printSchema
// root
// |-- _1: long (nullable = false)
// |-- _2: string (nullable = true)
// |-- _3: string (nullable = true)
// |-- _4: double (nullable = false)
あなたができる最も簡単なことはtoDF
メソッドを使うことです:
val newNames = Seq("id", "x1", "x2", "x3")
val dfRenamed = df.toDF(newNames: _*)
dfRenamed.printSchema
// root
// |-- id: long (nullable = false)
// |-- x1: string (nullable = true)
// |-- x2: string (nullable = true)
// |-- x3: double (nullable = false)
個々の列の名前を変更する場合は、次のいずれかselect
を使用できますalias
。
df.select($"_1".alias("x1"))
これは簡単に複数の列に一般化できます。
val lookup = Map("_1" -> "foo", "_3" -> "bar")
df.select(df.columns.map(c => col(c).as(lookup.getOrElse(c, c))): _*)
またはwithColumnRenamed
:
df.withColumnRenamed("_1", "x1")
foldLeft
複数の列の名前を変更するために使用します:
lookup.foldLeft(df)((acc, ca) => acc.withColumnRenamed(ca._1, ca._2))
ネストされた構造(structs
)で可能なオプションの1つは、構造全体を選択して名前を変更することです。
val nested = spark.read.json(sc.parallelize(Seq(
"""{"foobar": {"foo": {"bar": {"first": 1.0, "second": 2.0}}}, "id": 1}"""
)))
nested.printSchema
// root
// |-- foobar: struct (nullable = true)
// | |-- foo: struct (nullable = true)
// | | |-- bar: struct (nullable = true)
// | | | |-- first: double (nullable = true)
// | | | |-- second: double (nullable = true)
// |-- id: long (nullable = true)
@transient val foobarRenamed = struct(
struct(
struct(
$"foobar.foo.bar.first".as("x"), $"foobar.foo.bar.first".as("y")
).alias("point")
).alias("location")
).alias("record")
nested.select(foobarRenamed, $"id").printSchema
// root
// |-- record: struct (nullable = false)
// | |-- location: struct (nullable = false)
// | | |-- point: struct (nullable = false)
// | | | |-- x: double (nullable = true)
// | | | |-- y: double (nullable = true)
// |-- id: long (nullable = true)
nullability
メタデータに影響を与える可能性があることに注意してください。もう1つの可能性は、キャストして名前を変更することです。
nested.select($"foobar".cast(
"struct<location:struct<point:struct<x:double,y:double>>>"
).alias("record")).printSchema
// root
// |-- record: struct (nullable = true)
// | |-- location: struct (nullable = true)
// | | |-- point: struct (nullable = true)
// | | | |-- x: double (nullable = true)
// | | | |-- y: double (nullable = true)
または:
import org.apache.spark.sql.types._
nested.select($"foobar".cast(
StructType(Seq(
StructField("location", StructType(Seq(
StructField("point", StructType(Seq(
StructField("x", DoubleType), StructField("y", DoubleType)))))))))
).alias("record")).printSchema
// root
// |-- record: struct (nullable = true)
// | |-- location: struct (nullable = true)
// | | |-- point: struct (nullable = true)
// | | | |-- x: double (nullable = true)
// | | | |-- y: double (nullable = true)
: _*)
意味は何df.select(df.columns.map(c => col(c).as(lookup.getOrElse(c, c))): _*)
: _*
は、これはいわゆる「splat」演算子であるscalaです。基本的には、配列のようなものを含まれていないリストに分解します。これは、任意の数の引数をとる関数に配列を渡したいが、をとるバージョンがない場合に便利ですList[]
。あなたはPerlでおなじみのすべてであれば、それは間の差であるsome_function(@my_array) # "splatted"
とsome_function(\@my_array) # not splatted ... in perl the backslash "\" operator returns a reference to a thing
。
df.select(df.columns.map(c => col(c).as(lookup.getOrElse(c, c))): _*)
...分解していただけませんか?特にそのlookup.getOrElse(c,c)
部分。
PySparkバージョン(実際にはScalaでも同じです-下記のコメントを参照してください)に興味がある人のために:
merchants_df_renamed = merchants_df.toDF(
'merchant_id', 'category', 'subcategory', 'merchant')
merchants_df_renamed.printSchema()
結果:
root
|-merchant_id:integer(nullable = true)
|-category:string(nullable = true)
|-subcategory:string(nullable = true)
|-merchant:string(nullable = true)
toDF()
データフレームの列の名前を変更するために注意しなければなりません。この方法は、他の方法よりもかなり遅くなります。DataFrameに100Mレコードが含まれていて、それを超える単純なカウントクエリには最大3秒かかりますが、toDF()
メソッドを使用した同じクエリには最大16秒かかります。しかし、select col AS col_new
名前の変更にメソッドを使用すると、再び〜3秒になります。5倍以上速く!Spark 2.3.2.3
def aliasAllColumns(t: DataFrame, p: String = "", s: String = ""): DataFrame =
{
t.select( t.columns.map { c => t.col(c).as( p + c + s) } : _* )
}
明らかでない場合は、現在の各列名に接頭辞と接尾辞が追加されます。これは、同じ名前の列が1つ以上ある2つのテーブルがあり、それらを結合したいが、結果のテーブルの列を明確にすることができる場合に役立ちます。「通常の」SQLでこれを行うための同様の方法があれば、きっといいでしょう。
データフレームdfに3つの列id1、name1、price1があり、それらの名前をid2、name2、price2に変更するとします。
val list = List("id2", "name2", "price2")
import spark.implicits._
val df2 = df.toDF(list:_*)
df2.columns.foreach(println)
このアプローチは多くの場合に役立ちます。
牽引テーブル結合は結合されたキーの名前を変更しません
// method 1: create a new DF
day1 = day1.toDF(day1.columns.map(x => if (x.equals(key)) x else s"${x}_d1"): _*)
// method 2: use withColumnRenamed
for ((x, y) <- day1.columns.filter(!_.equals(key)).map(x => (x, s"${x}_d1"))) {
day1 = day1.withColumnRenamed(x, y)
}
動作します!