透视pysparkDataframe以获得多列

ljo96ir5 于 2021-05-16 发布在 Spark

关注(0)|答案(2)|浏览(427)

我的PyparkDataframe如下所示：

+--------+----------+----+----+----+
|latitude| longitude|var1|date|var2|
+--------+----------+----+----+----+
|    3.45|     -8.65|   1|   7|   2|
|   30.45|     45.65|   1|   7|   2|
|   40.45|    123.65|   1|   7|   2|
|   43.45|     13.65|   1|   7|   2|
|   44.45|    -12.65|   1|   7|   2|
|   54.45|   -128.65|   1|   7|   2|
+--------+----------+----+----+----+

但我不知道如何重新调整它，以便只为每个日期获取一个寄存器和一个按顺序指定[variable，latitude，longitude]的多列，这样我就可以在一个单独的列中处理variable，latitude和longitude的每个组合。
制作：

df.select(
    'date',
    *[F.array(F.col(col), F.col('latitude'), F.col('longitude')) for col in var_cols]
).show()

我得到：

+----+---------------------------------+---------------------------------+
|date|array(var1, latitude, longitude) |array(var2, latitude, longitude) |
+----+---------------------------------+---------------------------------+
|   7|               [1.0, 3.45, -8.65]|               [2.0, 3.45, -8.65]|
|   7|              [1.0, 30.45, 45.65]|              [2.0, 30.45, 45.65]|
|   7|             [1.0, 40.45, 123.65]|             [2.0, 40.45, 123.65]|
|   7|              [1.0, 43.45, 13.65]|              [2.0, 43.45, 13.65]|
|   7|             [1.0, 44.45, -12.65]|             [2.0, 44.45, -12.65]|
|   7|             [1.0, 54.45, -128...|             [2.0, 54.45, -128...|
+----+---------------------------------+---------------------------------+

我想要一个带有单个值（var的值）的列，以及一个由纬度和经度的每个值组成的列。想象一下，在pandas中建立一个[日期、纬度、经度]索引，然后拆下纬度和经度列。
例如，在Pandas中，我会这样做：

df.set_index(["date", "latitude", "longitude"]).unstack().unstack()

python apache-spark pyspark apache-spark-sql

来源：https://stackoverflow.com/questions/65069943/pivot-a-pyspark-dataframe-to-get-a-multicolumn

2条答案

按热度按时间

hgncfbus1#

我发现了这个解决方案：

var_cols = [col for col in df.columns if col not in ['date', 'latitude', 'longitude']]

df = df.withColumn('latlong',F.array(F.col('latitude'), F.col('longitude')))

df = df.withColumn('latlong', F.concat_ws(',', 'latlong'))
df = df.groupBy(["date"]).pivot("latlong").max(*var_cols)

赞(0）回复(0）举报 2021-05-17

vyswwuz22#

这个怎么样：

var_cols = [col for col in df.columns if col not in ['date', 'latitude', 'longitude']]

df.withColumn('latlong',
              F.concat_ws('_', F.col('latitude'), F.col('longitude'))) \
  .groupBy('date') \
  .pivot('latlong') \
  .agg(*[F.first(col) for col in var_cols])

赞(0）回复(0）举报 2021-05-17

我来回答

透视pysparkDataframe以获得多列

2条答案

相关问题

热门标签

最新问答