r - 使用SparkR，如何将字符串列拆分为 'n'多列？

Question

我正在使用 SparkR 1.6，并且我有一个包含数百万行的数据帧。 df 的列之一，名为 « categories »，包含具有以下模式的字符串:

      categories
1 cat1,cat2,cat3
2      cat1,cat2
3     cat3, cat4
4           cat5

我想拆分每个字符串并创建 « n » 新列，其中 « n » 是可能类别的数量(此处 n = 5，但实际上它可能超过 50)。
每个新列都将包含一个表示类别存在/不存在的 bool 值，例如:

   cat1  cat2  cat3  cat4  cat5
1  TRUE  TRUE  TRUE FALSE FALSE
2  TRUE  TRUE FALSE FALSE FALSE
3 FALSE FALSE  TRUE  TRUE FALSE
4 FALSE FALSE FALSE FALSE  TRUE

如何仅使用 sparkR api 执行此操作？

感谢您的宝贵时间。
问候。

Answer 1

让我们从导入和虚拟数据开始:

library(magrittr)

df <- createDataFrame(sqlContext, data.frame(
  categories=c("cat1,cat2,cat3", "cat1,cat2", "cat3,cat4", "cat5")
))

分隔字符串:

separated <- selectExpr(df, "split(categories, ',') AS categories")

获取不同的类别:

categories <- select(separated, explode(separated$categories)) %>% 
  distinct() %>% 
  collect() %>%
  extract2(1)

构建表达式列表:

exprs <- lapply(
  categories, function(x) 
  alias(array_contains(separated$categories, x), x)
)

选择并检查结果

select(separated, exprs) %>% head()
##    cat1  cat2  cat3  cat4  cat5
## 1  TRUE  TRUE  TRUE FALSE FALSE
## 2  TRUE  TRUE FALSE FALSE FALSE
## 3 FALSE FALSE  TRUE  TRUE FALSE
## 4 FALSE FALSE FALSE FALSE  TRUE