python - Pyspark 将 StructType 列聚合为每行的元素数组

Question

我正在尝试做一些看起来非常简单但不知怎么用 pyspark 做的事情。

我有一个带有两列的df（为了简化）'id'和'strcol'，可能有重复的id

我想做一个 df.groupBy('id') ，它将为每个 id 返回 strcol 值的数组

简单的例子：

|--id--|--strCol--|
|   a  |  {'a':1} |
|   a  |  {'a':2} |
|   b  |  {'b':3} |
|   b  |  {'b':4} |
|------|----------|
would become
|--id--|-------aggsStr------|
|   a  |  [{'a':1},{'a':2}] |
|   b  |  [{'b':3},{'b':4}] |
|------|--------------------|

我尝试将 apply 与 pandas udf 一起使用，但它似乎拒绝返回数组。（或者也许我没有正确使用它）

Answer 1

您可以collect_list从pyspark.sql.functions模块中使用：

from pyspark.sql import functions as F
agg = df.groupby("id").agg(F.collect_list("strCol"))

一个功能齐全的例子：

import pandas as pd
from pyspark.sql import functions as F

data =  {'id': ['a', 'a', 'b', 'b'], 'strCol': [{'a':1}, {'a':2}, {'b':3}, {'b':4}]}

df_aux = pd.DataFrame(data)

# df type: DataFrame[id: string, strCol: map<string,bigint>]
df = spark.createDataFrame(df_aux) 


# agg type: # DataFrame[id: string, collect_list(strCol): array<map<string,bigint>>]
agg = df.groupby("id").agg(F.collect_list("strCol")) 

希望这有帮助！