在Spark中更新数据框列

查看新的spark数据框api，尚不清楚是否可以修改数据框列。

我怎么会去改变行的值x列y一个数据帧的？

在pandas这将是df.ix[x,y] = new_value

编辑：合并以下内容，您将无法修改现有数据框，因为它是不可变的，但是您可以返回具有所需修改的新数据框。

如果您只想根据条件替换列中的值，例如np.where：

from pyspark.sql import functions as F

update_func = (F.when(F.col('update_col') == replace_val, new_value)
                .otherwise(F.col('update_col')))
df = df.withColumn('new_column_name', update_func)

如果要对列执行某些操作并创建一个添加到数据框的新列：

import pyspark.sql.functions as F
import pyspark.sql.types as T

def my_func(col):
    do stuff to column here
    return transformed_value

# if we assume that my_func returns a string
my_udf = F.UserDefinedFunction(my_func, T.StringType())

df = df.withColumn('new_column_name', my_udf('update_col'))

如果希望新列的名称与旧列的名称相同，则可以添加其他步骤：

df = df.drop('update_col').withColumnRenamed('new_column_name', 'update_col')

虽然您不能这样修改列，但是您可以对列进行操作并返回反映该更改的新DataFrame。为此，您首先要创建一个UserDefinedFunction实施操作以应用，然后有选择地将该功能仅应用到目标列。在Python中：

from pyspark.sql.functions import UserDefinedFunction
from pyspark.sql.types import StringType

name = 'target_column'
udf = UserDefinedFunction(lambda x: 'new_value', StringType())
new_df = old_df.select(*[udf(column).alias(name) if column == name else column for column in old_df.columns])

new_df现在具有相同的模式old_df（假设old_df.target_column是类型StringType以及），但在列中的所有值target_column将是new_value。

通常，在更新列时，我们希望将旧值映射到新值。这是在没有UDF的情况下在pyspark中执行此操作的方法：

# update df[update_col], mapping old_value --> new_value
from pyspark.sql import functions as F
df = df.withColumn(update_col,
    F.when(df[update_col]==old_value,new_value).
    otherwise(df[update_col])).

DataFrames基于RDD。RDD是不可变的结构，不允许在现场更新元素。要更改值，您将需要使用类似于SQL的DSL或RDD操作（如）来转换原始数据框，从而创建一个新的DataFrame map。

强烈推荐的幻灯片：在Spark中引入DataFrame以进行大规模数据科学。

正如maasg所说，您可以根据应用于旧DataFrame的映射结果创建一个新的DataFrame。给定DataFramedf具有两行的示例：

val newDf = sqlContext.createDataFrame(df.map(row => 
  Row(row.getInt(0) + SOMETHING, applySomeDef(row.getAs[Double]("y")), df.schema)

请注意，如果列的类型发生变化，则需要为其提供正确的架构，而不是df.schema。查看api的org.apache.spark.sql.Row可用方法：https : //spark.apache.org/docs/latest/api/java/org/apache/spark/sql/Row.html

[更新]或在Scala中使用UDF：

import org.apache.spark.sql.functions._

val toLong = udf[Long, String] (_.toLong)

val modifiedDf = df.withColumn("modifiedColumnName", toLong(df("columnName"))).drop("columnName")

如果列名需要保持不变，则可以将其重命名：

modifiedDf.withColumnRenamed("modifiedColumnName", "columnName")

从pyspark.sql.functions导入col并将基于字符串（字符串a，字符串b，字符串c）的第五列更新为integer（0,1,2）到新的DataFrame中。

from pyspark.sql.functions import col, when 

data_frame_temp = data_frame.withColumn("col_5",when(col("col_5") == "string a", 0).when(col("col_5") == "string b", 1).otherwise(2))