python - Pyspark 将结构数组转换为字符串

Question

我在 Pyspark 中有以下数据框

+----+-------+-----+                                                            
|name|subject|score|
+----+-------+-----+
| Tom|   math|   90|
| Tom|physics|   70|
| Amy|   math|   95|
+----+-------+-----+

我用过collect_list和struct来自 pyspark.sql.functions 的函数

df.groupBy('name').agg(collect_list(struct('subject', 'score')).alias('score_list'))

获取以下数据框

+----+--------------------+
|name|          score_list|
+----+--------------------+
| Tom|[[math, 90], [phy...|
| Amy|        [[math, 95]]|
+----+--------------------+

我的问题是如何转换最后一列 score_list转换为字符串并将其转储到 csv 文件中，如下所示

Tom     (math, 90) | (physics, 70)
Amy     (math, 95)

感谢您的帮助，谢谢。

更新:Here是一个类似的问题，但并不完全相同，因为它直接来自 string到另一个string 。就我而言，我想先转string至 collect_list<struct> 最后将这个 collect_list<struct> 字符串化。

Answer 1

根据您的更新和评论，对于 Spark 2.4.0+，这是使用 Spark SQL 内置函数对结构数组进行字符串化的一种方法:transform和 array_join :

>>> df.printSchema()
root
 |-- name: string (nullable = true)
 |-- score_list: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- subject: string (nullable = true)
 |    |    |-- score: integer (nullable = true)

>>> df.show(2,0)
+----+---------------------------+
|name|score_list                 |
+----+---------------------------+
|Tom |[[math, 90], [physics, 70]]|
|Amy |[[math, 95]]               |
+----+---------------------------+

>>> df1.selectExpr(
        "name"
      , """
         array_join(
             transform(score_list, x -> concat('(', x.subject, ', ', x.score, ')'))
           , ' | '
         ) AS score_list
        """
).show(2,0)

+----+--------------------------+
|name|score_list                |
+----+--------------------------+
|Tom |(math, 90) | (physics, 70)|
|Amy |(math, 95)                |
+----+--------------------------+

地点:

1. 使用transform()将结构数组转换为字符串数组。对于每个数组元素(结构体x)，我们使用concat('(', x.subject, ', ', x.score, ')')来转换将其转换为字符串。
2. 使用 array_join() 将所有数组元素(StringType)与 | 连接起来，这将返回最终的字符串