假设我正在做类似的事情：

val df = sqlContext.load("com.databricks.spark.csv", Map("path" -> "cars.csv", "header" -> "true"))
df.printSchema()

root
 |-- year: string (nullable = true)
 |-- make: string (nullable = true)
 |-- model: string (nullable = true)
 |-- comment: string (nullable = true)
 |-- blank: string (nullable = true)

df.show()
year make  model comment              blank
2012 Tesla S     No comment
1997 Ford  E350  Go get one now th...

但是我真的很想要yearas Int（也许可以转换其他一些列）。

我能想到的最好的是

df.withColumn("year2", 'year.cast("Int")).select('year2 as 'year, 'make, 'model, 'comment, 'blank)
org.apache.spark.sql.DataFrame = [year: int, make: string, model: string, comment: string, blank: string]

这有点令人费解。

我来自R，而且我习惯于写，例如

df2 <- df %>%
   mutate(year = year %>% as.integer,
          make = make %>% toupper)

我可能会丢失一些东西，因为应该在Spark / Scala中有更好的方法来做到这一点...

编辑：最新版本

从spark 2.x开始，您可以使用.withColumn。在这里检查文档：

https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.Dataset@withColumn(colName:String,col:org.apache.spark.sql.Column） ：org.apache.spark.sql.DataFrame

最早的答案

从Spark 1.4版开始，您可以在列上将Cast方法与DataType一起应用：

import org.apache.spark.sql.types.IntegerType
val df2 = df.withColumn("yearTmp", df.year.cast(IntegerType))
    .drop("year")
    .withColumnRenamed("yearTmp", "year")

如果您使用的是SQL表达式，也可以执行以下操作：

val df2 = df.selectExpr("cast(year as int) year", 
                        "make", 
                        "model", 
                        "comment", 
                        "blank")

有关更多信息，请检查文档：http : //spark.apache.org/docs/1.6.0/api/scala/#org.apache.spark.sql.DataFrame

[编辑：2016年3月：感谢您的投票！但实际上，这不是最好的答案，我想基础上的解决方案withColumn，withColumnRenamed并cast通过msemelman提出，马丁Senne等是简单和清晰。

我认为您的方法还可以，请记住，Spark DataFrame是行的（不可变的）RDD，因此我们从来没有真正替换过列，只是DataFrame每次使用新的架构创建新列。

假设您有一个具有以下架构的原始df：

scala> df.printSchema
root
 |-- Year: string (nullable = true)
 |-- Month: string (nullable = true)
 |-- DayofMonth: string (nullable = true)
 |-- DayOfWeek: string (nullable = true)
 |-- DepDelay: string (nullable = true)
 |-- Distance: string (nullable = true)
 |-- CRSDepTime: string (nullable = true)

在一列或几列上定义了一些UDF：

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

val toInt    = udf[Int, String]( _.toInt)
val toDouble = udf[Double, String]( _.toDouble)
val toHour   = udf((t: String) => "%04d".format(t.toInt).take(2).toInt ) 
val days_since_nearest_holidays = udf( 
  (year:String, month:String, dayOfMonth:String) => year.toInt + 27 + month.toInt-12
 )

更改列类型，甚至从另一个构建新的DataFrame都可以这样写：

val featureDf = df
.withColumn("departureDelay", toDouble(df("DepDelay")))
.withColumn("departureHour",  toHour(df("CRSDepTime")))
.withColumn("dayOfWeek",      toInt(df("DayOfWeek")))              
.withColumn("dayOfMonth",     toInt(df("DayofMonth")))              
.withColumn("month",          toInt(df("Month")))              
.withColumn("distance",       toDouble(df("Distance")))              
.withColumn("nearestHoliday", days_since_nearest_holidays(
              df("Year"), df("Month"), df("DayofMonth"))
            )              
.select("departureDelay", "departureHour", "dayOfWeek", "dayOfMonth", 
        "month", "distance", "nearestHoliday")            

产生：

scala> df.printSchema
root
 |-- departureDelay: double (nullable = true)
 |-- departureHour: integer (nullable = true)
 |-- dayOfWeek: integer (nullable = true)
 |-- dayOfMonth: integer (nullable = true)
 |-- month: integer (nullable = true)
 |-- distance: double (nullable = true)
 |-- nearestHoliday: integer (nullable = true)

这非常接近您自己的解决方案。简单来说，将类型更改和其他转换保持为单独udf val的，可使代码更具可读性和重用性。

由于该cast操作可用于Spark 的操作Column（而且我个人目前不赞成udf@提出的@ Svend），如何：

df.select( df("year").cast(IntegerType).as("year"), ... )

转换为请求的类型？作为一个纯净的副作用，在这种情况下，不可铸造/“可转换”的值将变为null。

如果您需要此作为辅助方法，请使用：

object DFHelper{
  def castColumnTo( df: DataFrame, cn: String, tpe: DataType ) : DataFrame = {
    df.withColumn( cn, df(cn).cast(tpe) )
  }
}

用法如下：

import DFHelper._
val df2 = castColumnTo( df, "year", IntegerType )

首先，如果您想强制转换类型，请执行以下操作：

import org.apache.spark.sql
df.withColumn("year", $"year".cast(sql.types.IntegerType))

具有相同列名的列将被新列替换。您无需执行添加和删除步骤。

其次，关于斯卡拉 VS [R 。
这是最类似于RI的代码：

val df2 = df.select(
   df.columns.map {
     case year @ "year" => df(year).cast(IntegerType).as(year)
     case make @ "make" => functions.upper(df(make)).as(make)
     case other         => df(other)
   }: _*
)

虽然代码长度比R的长度略长。这与语言的冗长无关。在R中，R mutate是R数据帧的一项特殊功能，而在Scala中，由于其强大的表达能力，您可以轻松地临时创建一个。
换句话说，它避免了特定的解决方案，因为语言设计足以让您快速轻松地构建自己的领域语言。

旁注：df.columns令人惊讶地是，Array[String]而不是Array[Column]，也许他们希望它看起来像Python pandas的数据框。

您可以使用selectExpr它来使其更清洁：

df.selectExpr("cast(year as int) as year", "upper(make) as make",
    "model", "comment", "blank")

Java代码，用于将DataFrame的数据类型从String修改为Integer

df.withColumn("col_name", df.col("col_name").cast(DataTypes.IntegerType))

它将简单地将现有的（String数据类型）转换为Integer。

要将年份从字符串转换为int，可以向csv阅读器添加以下选项：“ inferSchema”->“ true”，请参见DataBricks文档

因此，这仅在将问题保存到sqlserver之类的jdbc驱动程序时才有效，但是对于语法和类型会遇到的错误确实有帮助。

import org.apache.spark.sql.jdbc.{JdbcDialects, JdbcType, JdbcDialect}
import org.apache.spark.sql.jdbc.JdbcType
val SQLServerDialect = new JdbcDialect {
  override def canHandle(url: String): Boolean = url.startsWith("jdbc:jtds:sqlserver") || url.contains("sqlserver")

  override def getJDBCType(dt: DataType): Option[JdbcType] = dt match {
    case StringType => Some(JdbcType("VARCHAR(5000)", java.sql.Types.VARCHAR))
    case BooleanType => Some(JdbcType("BIT(1)", java.sql.Types.BIT))
    case IntegerType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case LongType => Some(JdbcType("BIGINT", java.sql.Types.BIGINT))
    case DoubleType => Some(JdbcType("DOUBLE PRECISION", java.sql.Types.DOUBLE))
    case FloatType => Some(JdbcType("REAL", java.sql.Types.REAL))
    case ShortType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case ByteType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case BinaryType => Some(JdbcType("BINARY", java.sql.Types.BINARY))
    case TimestampType => Some(JdbcType("DATE", java.sql.Types.DATE))
    case DateType => Some(JdbcType("DATE", java.sql.Types.DATE))
    //      case DecimalType.Fixed(precision, scale) => Some(JdbcType("NUMBER(" + precision + "," + scale + ")", java.sql.Types.NUMERIC))
    case t: DecimalType => Some(JdbcType(s"DECIMAL(${t.precision},${t.scale})", java.sql.Types.DECIMAL))
    case _ => throw new IllegalArgumentException(s"Don't know how to save ${dt.json} to JDBC")
  }
}

JdbcDialects.registerDialect(SQLServerDialect)

生成一个包含五个值的简单数据集并转换int为string类型：

val df = spark.range(5).select( col("id").cast("string") )

我认为这对我来说更具可读性。

import org.apache.spark.sql.types._
df.withColumn("year", df("year").cast(IntegerType))

这会将您的year列转换为IntegerType创建任何临时列并删除这些列。如果要转换为任何其他数据类型，可以检查org.apache.spark.sql.types包中的类型。

建议使用强制转换（FYI）的答案已被破坏，火花1.4.1中的强制转换方法已损坏。

例如，当字符串转换为bigint时，其字符串列的值为“ 8182175552014127960”的数据框的值为“ 8182175552014128100”

    df.show
+-------------------+
|                  a|
+-------------------+
|8182175552014127960|
+-------------------+

    df.selectExpr("cast(a as bigint) a").show
+-------------------+
|                  a|
+-------------------+
|8182175552014128100|
+-------------------+

找到此错误之前，我们不得不面对很多问题，因为我们在生产中有bigint列。

df.select($"long_col".cast(IntegerType).as("int_col"))

使用Spark Sql 2.4.0可以做到这一点：

spark.sql("SELECT STRING(NULLIF(column,'')) as column_string")

您可以使用以下代码。

df.withColumn("year", df("year").cast(IntegerType))

它将把年份列转换为IntegerType列。

此方法将删除旧列并创建具有相同值和新数据类型的新列。创建DataFrame时，我的原始数据类型是：

root
 |-- id: integer (nullable = true)
 |-- flag1: string (nullable = true)
 |-- flag2: string (nullable = true)
 |-- name: string (nullable = true)
 |-- flag3: string (nullable = true)

之后，我运行以下代码来更改数据类型：-

df=df.withColumnRenamed(<old column name>,<dummy column>) // This was done for both flag1 and flag3
df=df.withColumn(<old column name>,df.col(<dummy column>).cast(<datatype>)).drop(<dummy column>)

在此之后，我的结果是：

root
 |-- id: integer (nullable = true)
 |-- flag2: string (nullable = true)
 |-- name: string (nullable = true)
 |-- flag1: boolean (nullable = true)
 |-- flag3: boolean (nullable = true)

可以通过使用spark sql中的强制转换来更改列的数据类型。表名是表，只有两列，即column1和column2，column1的数据类型将被更改。ex-spark.sql（“从表中选择cast（column1作为Double）column1NewName，column2”）在double位置写入您的数据类型。

如果必须重命名其名称给定的几十个列，以下示例采用@dnlbrky的方法并将其一次应用于多个列：

df.selectExpr(df.columns.map(cn => {
    if (Set("speed", "weight", "height").contains(cn)) s"cast($cn as double) as $cn"
    else if (Set("isActive", "hasDevice").contains(cn)) s"cast($cn as boolean) as $cn"
    else cn
}):_*)

未铸造的列保持不变。所有列均保持原始顺序。

这么多的答案，但没有太多详尽的解释

以下语法适用于将Databricks Notebook与Spark 2.4结合使用

from pyspark.sql.functions import *
df = df.withColumn("COL_NAME", to_date(BLDFm["LOAD_DATE"], "MM-dd-yyyy"))

请注意，您必须指定输入格式（在我的示例中为“ MM-dd-yyyy”），并且由于to_date是spark sql函数，因此必须强制导入

还尝试了这种语法，但是得到了null而不是适当的强制转换：

df = df.withColumn("COL_NAME", df["COL_NAME"].cast("Date"))

（请注意，我必须使用方括号和引号来使其在语法上正确无误）


PS：我必须承认这就像语法丛林一样，入口点有很多可能的方式，并且官方API引用缺少适当的示例。

另一个解决方案如下：

1）保持“ inferSchema”为假

2）在该行上运行“地图”功能时，您可以读取“ asString”（row.getString ...）

//Read CSV and create dataset
Dataset<Row> enginesDataSet = sparkSession
            .read()
            .format("com.databricks.spark.csv")
            .option("header", "true")
            .option("inferSchema","false")
            .load(args[0]);

JavaRDD<Box> vertices = enginesDataSet
            .select("BOX","BOX_CD")
            .toJavaRDD()
            .map(new Function<Row, Box>() {
                @Override
                public Box call(Row row) throws Exception {
                    return new Box((String)row.getString(0),(String)row.get(1));
                }
            });

为什么不按照http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.Column.cast中的说明进行操作

df.select(df.year.cast("int"),"make","model","comment","blank")

    val fact_df = df.select($"data"(30) as "TopicTypeId", $"data"(31) as "TopicId",$"data"(21).cast(FloatType).as( "Data_Value_Std_Err")).rdd
    //Schema to be applied to the table
    val fact_schema = (new StructType).add("TopicTypeId", StringType).add("TopicId", StringType).add("Data_Value_Std_Err", FloatType)

    val fact_table = sqlContext.createDataFrame(fact_df, fact_schema).dropDuplicates()

其他方式：

// Generate a simple dataset containing five values and convert int to string type

val df = spark.range(5).select( col("id").cast("string")).withColumnRenamed("id","value")

如果您想将特定类型的多个列更改为另一个而不指定各个列的名称

/* Get names of all columns that you want to change type. 
In this example I want to change all columns of type Array to String*/
    val arrColsNames = originalDataFrame.schema.fields.filter(f => f.dataType.isInstanceOf[ArrayType]).map(_.name)

//iterate columns you want to change type and cast to the required type
val updatedDataFrame = arrColsNames.foldLeft(originalDataFrame){(tempDF, colName) => tempDF.withColumn(colName, tempDF.col(colName).cast(DataTypes.StringType))}

//display

updatedDataFrame.show(truncate = false)