java - 星火Java : How to add an array column in spark Dataframe

Question

我正在尝试向我的 Spark Dataframe 添加一个新列。添加的新列的大小将基于变量(例如 salt)发布，我将使用该列来展开数据集以用于加盐连接。

目前，我在 array 函数中使用连续的 lit，但它有一个问题，它不能被参数化，而且作为编码实践看起来最糟糕。我当前的实现如下所示。

int salt =3;

Dataset<Row> Reference_with_Salt_Col = Reference.withColumn("salt_array", array(lit(0), lit(1), lit(2)));

我引用并研究了各种方法，但似乎没有一种方法可以解决 Java 中的问题。functions.typedlit 方法虽然适用于 Python/Scala，但似乎不适用于 Java。进一步传递数组或列表也无助于 spark 给出相同的错误。

我使用的是 Spark 2.2.0 和 Java 1.8 版本

Answer 1

您可以使用array 函数，但首先将列表的每个元素转换为lit。在流上使用 map 函数的示例:

import org.apache.spark.sql.*;

import java.util.Arrays;
import java.util.List;

// example of input dataframe
Reference.show();

//+-----+
//|label|
//+-----+
//|    a|
//|    b|
//|    c|
//+-----+

List<Integer> salt_array = Arrays.asList(0, 1, 2);

Reference.withColumn(
        "salt_array",
        functions.array(salt_array.stream().map(functions::lit).toArray(Column[]::new))
).show();

//+-----+----------+
//|label|salt_array|
//+-----+----------+
//|    a| [0, 1, 2]|
//|    b| [0, 1, 2]|
//|    c| [0, 1, 2]|
//+-----+----------+

要生成一个包含范围从 0 到 salt - 1 的数组，您可以像这样使用 IntStream.rangeClosed:

import java.util.stream.IntStream;

int salt = 3;

Dataset<Row> Reference_with_Salt_Col = Reference.withColumn(
        "salt_array",
        functions.array(IntStream.rangeClosed(0, salt - 1).mapToObj(functions::lit).toArray(Column[]::new))
);