scala - Spark : Convert column of string to an array

Question

如何将已读取为字符串的列转换为数组列？即从下面的模式转换

scala> test.printSchema
root
 |-- a: long (nullable = true)
 |-- b: string (nullable = true)

+---+---+
|  a|  b|
+---+---+
|  1|2,3|
+---+---+
|  2|4,5|
+---+---+

致:

scala> test1.printSchema
root
 |-- a: long (nullable = true)
 |-- b: array (nullable = true)
 |    |-- element: long (containsNull = true)

+---+-----+
|  a|  b  |
+---+-----+
|  1|[2,3]|
+---+-----+
|  2|[4,5]|
+---+-----+

如果可能，请分享 scala 和 python 实现。相关说明，在读取文件本身时如何处理它？我有大约 450 列的数据，其中很少有我想以这种格式指定的。目前我正在 pyspark 中阅读如下:

df = spark.read.format('com.databricks.spark.csv').options(
    header='true', inferschema='true', delimiter='|').load(input_file)

谢谢。

Answer 1

有多种方法，

最好的方法是使用 split函数并转换为 array<long>

data.withColumn("b", split(col("b"), ",").cast("array<long>"))

您还可以创建简单的 udf 来转换值

val tolong = udf((value : String) => value.split(",").map(_.toLong))

data.withColumn("newB", tolong(data("b"))).show

希望这有帮助!