java - 将索引列添加到现有 Spark 的 DataFrame

Question

我使用 Java 使用 Spark 1.5 进行操作。我需要将 ID/索引列附加到现有的 DataFrame，例如:

+---------+--------+
|  surname|    name|
+---------+--------+
|    Green|    Jake|
| Anderson|  Thomas|
| Corleone| Michael|
|    Marsh|   Randy|
|  Montana|    Tony|
|    Green|   Julia|
|Brenneman|    Eady|
|   Durden|   Tyler|
| Corleone|    Vito|
|   Madiro|     Mat|
+---------+--------+

我希望每一行都附加索引，范围在介于 1 和表记录数量之间。索引顺序无关紧要，任何行都必须只包含唯一 ID/索引。它可以通过转换为RDD并附加索引行并转换为修改了StructType的DataFrame来完成，但是，如果我没理解错的话，这种操作会消耗大量资源进行转换等，并且必须有其他方法。结果必须是这样的:

+---------+--------+---+
|  surname|    name| id|
+---------+--------+---+
|    Green|    Jake|  3|
| Anderson|  Thomas|  5|
| Corleone| Michael|  2|
|    Marsh|   Randy| 10|
|  Montana|    Tony|  7|
|    Green|   Julia|  1|
|Brenneman|    Eady|  2|
|   Durden|   Tyler|  9|
| Corleone|    Vito|  4|
|   Madiro|     Mat|  6|
+---------+--------+---+

谢谢。

Answer 1

我知道这个问题可能是很久以前的问题了，但你可以按如下方式做:

from pyspark.sql.window import Window  
w = Window.orderBy("myColumn") 
withIndexDF = originalDF.withColumn("index", row_number().over(w))

• myColumn:数据框中的任何特定列。
• originalDF:没有索引列的原始DataFrame。