apache-spark - Pyspark 中带有 IN 子句的语句时的情况

Question

我是 Spark 编程的新手，有一个场景可以在我的输入中出现一组值时分配一个值。下面是我用来完成任务的传统 SQL 代码。需要在 Spark 中执行相同的操作。

SQL 代码:

SELECT CASE WHEN c.Number IN ( '1121231', '31242323' ) THEN 1 
ELSE 2 END AS Test
FROM   Input  c

我知道在 spark 中使用 when 时只有一个条件。

Input.select(when(Input.Number==1121231,1).otherwise(2).alias("Test")).show()

Answer 1

我假设您使用的是 Spark DataFrames，而不是 RDD。需要注意的一件事是，您可以直接在 DataFrame 上运行 SQL 查询:

# register the DataFrame so we can refer to it in queries
sqlContext.registerDataFrameAsTable(df, "df")

# put your SQL query in a string
query = """SELECT CASE WHEN 
    df.number IN ('1121231', '31242323') THEN 1 ELSE 2 END AS test 
    FROM df"""

result = sqlContext.sql(query)
result.show()

您还可以通过创建 user-defined function 来使用 select模仿您查询的案例陈述:

from pyspark.sql.types import *
from pyspark.sql.functions import udf

# need to pass inner function through udf() so it can operate on Columns
# also need to specify return type
column_in_list = udf(
    lambda column: 1 if column in ['1121231', '31242323'] else 2, 
    IntegerType()
)

# call function on column, name resulting column "transformed"
result = df.select(column_in_list(df.number).alias("transformed"))
result.show()