python - PySpark - 根据另一列中引用的列名称创建列

Question

我对 Spark 很陌生，无法让它工作...希望有一种简单的方法可以做到这一点...下表最好地描述了我想要做的事情:(我需要获取“必需”列)

    colA    colB    colC    ref     required
1   a1        b1    c1      colA     a1
2   a2        b2    c2      colA     a2
3   a3        b3    c3      colB     b3
4   a4        b4    c4      colB     b4
5   a5        b5    c5      colC     c5
6   a6        b6    c6      colC     c6

上面只是一个例子 - 在真实的例子中我有 >50 列，所以做条件是行不通的......

我知道这可以在 pandas 中使用以下内容轻松完成:

df['required'] = df.apply(lambda x: x.loc[x.ref], axis=1)

或

df['required'] = df.lookup(df.index, df.ref)

有什么建议如何在 PySpark 中执行此操作吗？

Answer 1

实现此目的的一种方法是使用 when 和 coalesce 函数:

import pyspark.sql.functions as F

cols = ['colA', 'colB', 'colC']
df.withColumn('required', F.coalesce(*[F.when(df.ref == c, df[c]) for c in cols])).show()
+----+----+----+----+--------+
|colA|colB|colC| ref|required|
+----+----+----+----+--------+
|  a1|  b1|  c1|colA|      a1|
|  a2|  b2|  c2|colA|      a2|
|  a3|  b3|  c3|colB|      b3|
|  a4|  b4|  c4|colB|      b4|
|  a5|  b5|  c5|colC|      c5|
|  a6|  b6|  c6|colC|      c6|
+----+----+----+----+--------+

基本上，您检查 ref 列等于哪一列的名称，并从该列中获取值 - F.when(df.ref == c, df[c] );;这将创建一个列对象列表，当其名称出现在 ref 列中时，其值将被保留，否则其值为 NULL；然后，通过合并列列表，用有效列值中的值填充 NULL 值。