python - pyspark - 使用 ArrayType 列折叠和求和

Question

我正在尝试按元素求和，并且我创建了这个虚拟 df。输出应该是 [10,4,4,1]

from pyspark.sql.types import StructType,StructField, StringType, IntegerType, ArrayType
data = [
    ("James",[1,1,1,1]),
    ("James",[2,1,1,0]),
    ("James",[3,1,1,0]),
    ("James",[4,1,1,0])
  ]

schema = StructType([ \
    StructField("firstname",StringType(),True), \
    StructField("scores", ArrayType(IntegerType()), True) \
  ])
 
df = spark.createDataFrame(data=data,schema=schema)

posexplode 有效，但我的真实 df 太大，所以我尝试使用折叠，但它给了我一个错误。有任何想法吗？谢谢!

vec_df = df.select("scores")
vec_sums = vec_df.rdd.fold([0]*4, lambda a,b: [x + y for x, y in zip(a, b)])

File "<ipython-input-115-9b470dedcfef>", line 2, in <listcomp>

TypeError: unsupported operand type(s) for +: 'int' and 'list'

Answer 1

您需要在 fold 之前将行的 RDD 映射到列表的 RDD :

vec_sums = vec_df.rdd.map(lambda x: x[0]).fold([0]*4, lambda a,b: [x + y for x, y in zip(a, b)])

为了帮助理解，您可以查看 RDD 的外观。

>>> vec_df.rdd.collect()
[Row(scores=[1, 1, 1, 1]), Row(scores=[2, 1, 1, 0]), Row(scores=[3, 1, 1, 0]), Row(scores=[4, 1, 1, 0])]

>>> vec_df.rdd.map(lambda x: x[0]).collect()
[[1, 1, 1, 1], [2, 1, 1, 0], [3, 1, 1, 0], [4, 1, 1, 0]]

所以你可以想象 vec_df.rdd包含嵌套列表，需要在 fold 之前取消嵌套.