Вопрос:

Как изменить имена столбцов данных в pyspark?

python apache-spark pyspark pyspark-sql

215096 просмотра

12 ответа

2330 Репутация автора

Я пришел из панды и привык к чтению данных из CSV-файлов в информационный фрейм, а затем просто изменяя имена столбцов на что-то полезное, используя простую команду:

df.columns = new_column_name_list

Однако то же самое не работает в фреймах данных pyspark, созданных с использованием sqlContext. Единственное решение, которое я мог найти, чтобы сделать это легко, заключается в следующем:

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)

Это в основном определяет переменную дважды и сначала выводит схему, затем переименовывает имена столбцов, а затем снова загружает фрейм данных с обновленной схемой.

Есть ли лучший и более эффективный способ сделать это, как мы делаем в пандах?

Моя искровая версия 1.5.0

Автор: Shubhanshu Mishra Источник Размещён: 03.12.2015 10:21

Ответы (12)


274 плюса

11474 Репутация автора

Решение

Есть много способов сделать это:

  • Вариант 1. Использование selectExpr .

    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)
    
  • Вариант 2. Используя withColumnRenamed , обратите внимание, что этот метод позволяет вам «перезаписать» один и тот же столбец.

    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()
    
  • Вариант 3. используя псевдоним , в Scala вы также можете использовать как .

    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|
    #+-------+---+
    
  • Вариант 4. Использование sqlContext.sql , который позволяет использовать SQL-запросы для DataFramesзарегистрированных в качестве таблиц.

    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|
    #+-------+---+
    
Автор: Alberto Bonsanto Размещён: 03.12.2015 10:54

129 плюса

1451 Репутация автора

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

Преимущество использования этого способа: с длинным списком столбцов вы хотели бы изменить только несколько имен столбцов. Это может быть очень удобно в этих сценариях. Очень полезно при объединении таблиц с повторяющимися именами столбцов.

Автор: Pankaj Kumar Размещён: 30.03.2016 07:25

9 плюса

91 Репутация автора

Если вы хотите переименовать один столбец и оставить все как есть:

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])
Автор: Ratul Ghosh Размещён: 15.01.2017 03:22

36 плюса

361 Репутация автора

Если вы хотите изменить имена всех столбцов, попробуйте df.toDF(*cols)

Автор: user8117731 Размещён: 06.06.2017 05:52

0 плюса

157 Репутация автора

Для переименования одного столбца вы все равно можете использовать toDF (). Например,

df1.selectExpr("SALARY*2").toDF("REVISED_SALARY").show()
Автор: user24225 Размещён: 27.06.2017 02:42

2 плюса

31 Репутация автора

Я использую это:

from pyspark.sql.functions import col
df.select(['vin',col('timeStamp').alias('Date')]).show()
Автор: mike Размещён: 31.01.2018 02:33

31 плюса

722 Репутация автора

В случае, если вы хотите применить простое преобразование ко всем именам столбцов, этот код делает свое дело: (я заменяю все пробелы подчеркиванием)

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

df = df.toDF(*new_column_name_list)

Спасибо @ user8117731 за toDfтрюк.

Автор: pbahr Размещён: 13.04.2018 03:17

4 плюса

8100 Репутация автора

Другой способ переименовать только один столбец (используя import pyspark.sql.functions as F):

df = df.select( '*', F.col('count').alias('new_count') ).drop('count')
Автор: scottlittle Размещён: 20.06.2018 02:24

9 плюса

244 Репутация автора

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

Автор: Sahan Jayasumana Размещён: 28.06.2018 02:49

5 плюса

1440 Репутация автора

это подход, который я использовал:

создать сеанс pyspark:

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

создать фрейм данных:

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

просмотреть df с именами столбцов:

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

создать список с новыми именами столбцов:

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

измените имена столбцов df:

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

просмотреть df с новыми именами столбцов:

df.show()
+-------+---------+-------+
|NameNew|AmountNew|ItemNew|
+-------+---------+-------+
|    Bob|     5.62|  juice|
|    Sue|     0.85|   milk|
+-------+---------+-------+
Автор: Grant Shannon Размещён: 07.12.2018 03:00

5 плюса

882 Репутация автора

Я сделал простую в использовании функцию для переименования нескольких столбцов для фрейма данных pyspark, на случай, если кто-то захочет использовать его:

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)

Будьте осторожны, оба списка должны быть одинаковой длины.

Автор: Manrique Размещён: 22.03.2019 11:57

0 плюса

3135 Репутация автора

Вы можете использовать следующую функцию, чтобы переименовать все столбцы вашего фрейма данных.

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

Если вам нужно обновить только имена нескольких столбцов, вы можете использовать то же имя столбца в списке replace_with

Переименовать все столбцы

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

Переименовать несколько столбцов

df_col_rename(X,['a', 'b', 'c'], ['a', 'y', 'z'])
Автор: Clock Slave Размещён: 11.10.2019 10:19
Вопросы из категории :
32x32