python - PySpark Dataframe.groupBy MapType 列

Question

我有一个带有 MapType 列的数据框，其中键是一个 id，值是另一个具有两个数字、一个计数器和一个收入的 StructType。

看起来像这样:

+--------------------------------------+
| myMapColumn                          |
+--------------------------------------+
| Map(1 -> [1, 4.0], 2 -> [1, 1.5])    |
| Map()                                |
| Map(1 -> [3, 5.5])                   |
| Map(1 -> [4, 0.1], 2 -> [6, 101.56]) |
+--------------------------------------+

现在我需要对每个 id 的这两个值求和，结果将是:

+----------------------+
| id | count | revenue |
+----------------------+
| 1  | 8     | 9.6     |
| 2  | 7     | 103.06  |
+----------------------+

我实际上不知道该怎么做，也找不到针对这种特殊情况的文档。我尝试使用 Dataframe.groupBy 但无法使其工作:(

有什么想法吗？

我正在使用 Spark 1.5.2 和 Python 2.6.6

Answer 1

假设架构等同于此:

root
 |-- myMapColumn: map (nullable = true)
 |    |-- key: integer
 |    |-- value: struct (valueContainsNull = true)
 |    |    |-- _1: integer (nullable = false)
 |    |    |-- _2: double (nullable = false)

您只需要explode 和一个简单的聚合:

from pyspark.sql.functions import col, explode, sum as sum_

(df
  .select(explode(col("myMapColumn")))
  .groupBy(col("key").alias("id"))
  .agg(sum_("value._1").alias("count"), sum_("value._2").alias("revenue")))