不幸的是，没有下列情况：

• 考虑到数据量，Spark DataFrame是合理的。
• 数据互换是可行的。

您必须记住，在Spark中实现的DataFrame是行的分布式集合，每行都在单个节点上存储和处理。
您可以将DataFrame上的转置表示为pivot：

val kv = explode(array(df.columns.tail.map { 
  c => struct(lit(c).alias("k"), col(c).alias("v")) 
}: _*))

df
  .withColumn("kv", kv)
  .select($"segment_id", $"kv.k", $"kv.v")
  .groupBy($"k")
  .pivot("segment_id")
  .agg(first($"v"))
  .orderBy($"k")
  .withColumnRenamed("k", "vals")

但它只是一个没有实际应用的玩具代码。实际上，它并不比收集数据更好：

val (header, data) = df.collect.map(_.toSeq.toArray).transpose match {
  case Array(h, t @ _*) => {
    (h.map(_.toString), t.map(_.collect { case x: Int => x }))
  }
}

val rows = df.columns.tail.zip(data).map { case (x, ys) => Row.fromSeq(x +: ys) }
val schema = StructType(
  StructField("vals", StringType) +: header.map(StructField(_, IntegerType))
)

spark.createDataFrame(sc.parallelize(rows), schema)

对于DataFrame，定义为：

val df = Seq(
  (1, 100, 0, 0, 0, 0, 0),
  (2, 0, 50, 0, 0, 20, 0),
  (3, 0, 0, 0, 0, 0, 0),
  (4, 0, 0, 0, 0, 0, 0)
).toDF("segment_id", "val1", "val2", "val3", "val4", "val5", "val6")

两者都会给你想要的结果：

+----+---+---+---+---+
|vals|  1|  2|  3|  4|
+----+---+---+---+---+
|val1|100|  0|  0|  0|
|val2|  0| 50|  0|  0|
|val3|  0|  0|  0|  0|
|val4|  0|  0|  0|  0|
|val5|  0| 20|  0|  0|
|val6|  0|  0|  0|  0|
+----+---+---+---+---+

也就是说，如果您需要在分布式数据结构上进行有效的换位，您必须寻找其他地方。有许多结构，包括核心CoordinateMatrix和BlockMatrix，它们可以跨两个维度分布数据，并且可以转置。

在Python中，这可以通过一种简单的方式来完成，我通常在Pandas中通过转换Spark DataFrame来使用转置函数
Spark_df.toPandas().T

以下是PySpark的解决方案https://spark.apache.org/docs/latest/api/python/reference/pyspark.pandas/api/pyspark.pandas.DataFrame.transpose.html
以下是您的问题的解决方案代码：

步骤1：选择列

d = df.select('val1','val2','val3','val4','val5','val6','segment_id')

此代码部分可以形成如下数据框：

+----------+-----+----+----+----+----+----+
| val1|val2|val3|val4|val5|val6|segment_id
+----------+-----+----+----+----+----+----+
|  100|   0|   0|   0|   0|   0|    1     |   
|    0|  50|   0|   0|  20|   0|    2     |
|    0|   0|   0|   0|   0|   0|    3     |
|    0|   0|   0|   0|   0|   0|    4     |
+----------+-----+----+----+----+----+----+

第二步：把整张table调换一下。

d_transposed = d.T.sort_index()

此代码部分可以形成如下数据框：

+----+-----+----+----+----+----+-
|segment_id|    1|   2|   3|   4|
+----+-----+----+----+----+----+-
|val1      |  100|   0|   0|   0|
|val2      |    0|  50|   0|   0|
|val3      |    0|   0|   0|   0|
|val4      |    0|   0|   0|   0|
|val5      |    0|  20|   0|   0|
|val6      |    0|   0|   0|   0|
+----+-----+----+----+----+----+-

步骤3：需要将segment_id重命名为vals：

d_transposed.withColumnRenamed("segment_id","vals")

+----+-----+----+----+----+----+-
|vals      |    1|   2|   3|   4|
+----+-----+----+----+----+----+-
|val1      |  100|   0|   0|   0|
|val2      |    0|  50|   0|   0|
|val3      |    0|   0|   0|   0|
|val4      |    0|   0|   0|   0|
|val5      |    0|  20|   0|   0|
|val6      |    0|   0|   0|   0|
+----+-----+----+----+----+----+-

以下是您的完整代码：

d = df.select('val1','val2','val3','val4','val5','val6','segment_id')
 d_transposed = d.T.sort_index()
 d_transposed.withColumnRenamed("segment_id","vals")

这应该是一个完美的解决方案。

val seq = Seq((1,100,0,0,0,0,0),(2,0,50,0,0,20,0),(3,0,0,0,0,0,0),(4,0,0,0,0,0,0))
val df1 = seq.toDF("segment_id", "val1", "val2", "val3", "val4", "val5", "val6")
df1.show()

val schema = df1.schema

val df2 = df1.flatMap(row => {
  val metric = row.getInt(0)
  (1 until row.size).map(i => {
    (metric, schema(i).name, row.getInt(i))
  })
})

val df3 = df2.toDF("metric", "vals", "value")
df3.show()
import org.apache.spark.sql.functions._

val df4 = df3.groupBy("vals").pivot("metric").agg(first("value"))
df4.show()