pyspark - 从pyspark中的下一列中删除空值和移位值

Question

我需要将 Python 脚本转换为 Pyspark，这对我来说是一项艰巨的任务。
我正在尝试从数据框中删除空值(不删除整个列或行)并将下一个值移动到前一列。例子:

        CLIENT| ANIMAL_1 | ANIMAL_2 | ANIMAL_3| ANIMAL_4
ROW_1     1   |   cow    | frog     | null    | dog
ROW_2     2   |   pig    | null     | cat     | null

我的目标是:

       CLIENT| ANIMAL_1 | ANIMAL_2 | ANIMAL_3| ANIMAL_4
ROW_1     1   |   cow    | frog     | dog     | null
ROW_2     2   |   pig    | cat      | null    | null

我在 python 上使用的代码是(我在 Stackoverflow 上得到的):

df_out = df.apply(lambda x: pd.Series(x.dropna().to_numpy()), axis=1)

然后我重命名列。但我不知道如何在 Pyspark 上做到这一点。

Answer 1

以下是针对 Spark 2.4+ 版执行此操作的方法:
创建您想要的列的数组并按您的条件排序，如下所示:

首先对非空值进行排序

按照它们在列中出现的顺序对值进行排序

我们可以使用 array_sort 进行排序.要实现多个条件，请使用 arrays_zip .为了更轻松地提取您想要的值(即本例中的动物)，还需要压缩列值。

from pyspark.sql.functions import array, array_sort, arrays_zip, col, lit

animal_cols = df.columns[1:]
N = len(animal_cols)

df_out = df.select(
    df.columns[0],
    array_sort(
        arrays_zip(
            array([col(c).isNull() for c in animal_cols]),
            array([lit(i) for i in range(N)]),
            array([col(c) for c in animal_cols])
        )
    ).alias('sorted')
)
df_out.show(truncate=False)
#+------+----------------------------------------------------------------+
#|CLIENT|sorted                                                          |
#+------+----------------------------------------------------------------+
#|1     |[[false, 0, cow], [false, 1, frog], [false, 3, dog], [true, 2,]]|
#|2     |[[false, 0, pig], [false, 2, cat], [true, 1,], [true, 3,]]      |
#+------+----------------------------------------------------------------+

现在事情的顺序是正确的，您只需要提取值。在本例中，这是元素 '2' 处的项目在 sorted的第i个索引中柱子。

df_out = df_out.select(
    df.columns[0],
    *[col("sorted")[i]['2'].alias(animal_cols[i]) for i in range(N)]
)
df_out.show(truncate=False)
#+------+--------+--------+--------+--------+
#|CLIENT|ANIMAL_1|ANIMAL_2|ANIMAL_3|ANIMAL_4|
#+------+--------+--------+--------+--------+
#|1     |cow     |frog    |dog     |null    |
#|2     |pig     |cat     |null    |null    |
#+------+--------+--------+--------+--------+