python - PySpark:TypeError: 'Row' 对象不支持项目分配

Question

我使用以下代码将 DataFrame 行中的 None 值替换为空字符串:

def replaceNone(row):
  row_len = len(row)
  for i in range(0, row_len):
    if row[i] is None:
      row[i] = ""    
  return row

在我的 pyspark 代码中:

data_out = df.rdd.map(lambda row : replaceNone(row)).map(
  lambda row : "\t".join( [x.encode("utf-8") if isinstance(x, basestring) else str(x).encode("utf-8") for x in row])
)

然后我得到了以下错误:

File "<ipython-input-10-8e5d8b2c3a7f>", line 1, in <lambda>
  File "<ipython-input-2-d1153a537442>", line 6, in replaceNone
TypeError: 'Row' object does not support item assignment

有人知道这个错误吗？如何将一行中的“无”值替换为空字符串？谢谢!

Answer 1

Row 是 tuple 的子类，Python 中的 tuple 是不可变的，因此不支持项目分配。如果你想替换存储在元组中的项目，你必须从头开始重建它:

## replace "" with placeholder of your choice 
tuple(x if x is not None else "" for x in row)  

如果你想简单地连接用空字符串替换 null 的平面模式，你可以使用 concat_ws:

from pyspark.sql.functions import concat_ws

df.select(concat_ws("\t", *df.columns)).rdd.flatMap(lambda x: x)

要准备输出，使用 spark-csv 并指定 nullValue、delimiter 和 quoteMode 更有意义.