Answers:
使用原始SQL,您可以使用CONCAT
:
在Python中
df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ', v) FROM df")
在斯卡拉
import sqlContext.implicits._
val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
df.registerTempTable("df")
sqlContext.sql("SELECT CONCAT(k, ' ', v) FROM df")
从Spark 1.5.0开始,您可以将concat
功能与DataFrame API结合使用:
在Python中:
from pyspark.sql.functions import concat, col, lit
df.select(concat(col("k"), lit(" "), col("v")))
在Scala中:
import org.apache.spark.sql.functions.{concat, lit}
df.select(concat($"k", lit(" "), $"v"))
还有concat_ws
一个函数将字符串分隔符作为第一个参数。
这是进行自定义命名的方法
import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()
给,
+--------+--------+
|colname1|colname2|
+--------+--------+
| row11| row12|
| row21| row22|
+--------+--------+
通过串联创建新列:
df = df.withColumn('joined_column',
sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()
+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
| row11| row12| row11_row12|
| row21| row22| row21_row22|
+--------+--------+-------------+
在Spark Scala中连接字符串列的一种选择是使用concat
。
有必要检查空值。因为如果其中一列为空,那么即使其他列之一具有信息,结果也将为空。
使用concat
和withColumn
:
val newDf =
df.withColumn(
"NEW_COLUMN",
concat(
when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))
使用concat
和select
:
val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")
通过这两种方法,您将拥有一个NEW_COLUMN,该值是列的串联:来自原始df的COL1和COL2。
concat_ws
而不是concat
,则可以避免检查NULL。
如果要使用DF进行操作,则可以使用udf在现有列的基础上添加新列。
val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)
//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))
//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )
//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()
从Spark 2.3(SPARK-22771)起,Spark SQL支持串联运算符||
。
例如;
val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")
这是为pyspark执行此操作的另一种方法:
#import concat and lit functions from pyspark.sql.functions
from pyspark.sql.functions import concat, lit
#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])
#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))
#Show the new data frame
personDF.show()
----------RESULT-------------------------
84
+------------+
|East African|
+------------+
| Ethiopian|
| Kenyan|
| Ugandan|
| Rwandan|
+------------+
v1.5及更高版本
将多个输入列连接在一起成为一个列。该函数可用于字符串,二进制和兼容的数组列。
例如: new_df = df.select(concat(df.a, df.b, df.c))
v1.5及更高版本
类似于,concat
但使用指定的分隔符。
例如: new_df = df.select(concat_ws('-', df.col1, df.col2))
v2.4及更高版本
用于合并地图,返回所有给定地图的并集。
例如: new_df = df.select(map_concat("map1", "map2"))
使用字符串concat运算符(||
):
v2.3及更高版本
例如: df = spark.sql("select col_a || col_b || col_c as abc from table_x")
参考:Spark SQL文档
在Java中,您可以这样做以连接多个列。该示例代码旨在为您提供一个场景以及如何使用它来更好地理解。
SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
.withColumn("concatenatedCol",
concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));
class JavaSparkSessionSingleton {
private static transient SparkSession instance = null;
public static SparkSession getInstance(SparkConf sparkConf) {
if (instance == null) {
instance = SparkSession.builder().config(sparkConf)
.getOrCreate();
}
return instance;
}
}
上面的代码将col1,col2,col3串联在一起,并用“ _”分隔,以创建名称为“ concatenatedCol”的列。
我们是否具有与以下过程相对应的Java语法
val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))
确实,有一些美丽的内置抽象供您完成连接而无需实现自定义功能。由于您提到了Spark SQL,所以我猜您正在尝试通过spark.sql()将其作为声明性命令传递。如果是这样,您可以直接传递SQL命令,例如:
SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;
另外,在Spark 2.3.0中,您可以在以下行中使用命令:
SELECT col1 || col2 AS concat_column_name FROM <table_name>;
其中,是您首选的定界符(也可以是空白),并且是您要读取的临时或永久表。
我们也可以简单地使用SelectExpr。df1.selectExpr(“ *”,“ upper(_2 || _3)as new”)
lit
创建一列_