Cum pentru a popula Harta[șir de caractere,Dataframe] ca o coloană într-un Dataframe în scala

Vi se cere pentru a genera un rând pe dataframe. Fii atent, dacă unul dintre dataframes este suficient de mare, astfel încât nu pot fi cuprinse într-un singur executor, acest cod va rupe.

Hai mai întâi de a genera date și harta dfs de tip Map[String, DataFrame].

val df1 = Seq((1, "aaa", 23), (2, "bbb", 34)).toDF("id", "name", "age")
val df2 = Seq(("ludo", 10, 20), ("rummy", 10, 40)).toDF("game", "time", "score")
dfs = Seq(df1, df2)

Apoi, pentru fiecare dataframe harta, vom genera două coloane. big_map asociați fiecare nume de coloană de dataframe la valoarea lor (exprimate în șir pentru a avea o consistenta tip). df pur și simplu conține numele dataframe. Apoi am uniunii toate dataframes cu reduce și de grup de name (asta e partea în care fiecare dataframe se termină în întregime într-un rând, și, prin urmare, un executor).

dfs
    .toSeq
    .map{ case (name, df) => df
        .select(map(
             df.columns.flatMap(c => Seq(lit(c), col(c).cast("string"))) : _*
        ) as "big_map")
        .withColumn("df", lit(name))}
    .reduce(_ union _)
    .groupBy("df")
    .agg(collect_list('big_map) as "column1")
    .show(false)

+---+-----------------------------------------------------------------------------------+
|df |column1                                                                            |
+---+-----------------------------------------------------------------------------------+
|df0|[{id -> 1, name -> aaa, age -> 23}, {id -> 2, name -> bbb, age -> 34}]             |
|df1|[{game -> ludo, time -> 10, score -> 20}, {game -> rummy, time -> 10, score -> 40}]|
+---+-----------------------------------------------------------------------------------+

Aici este o soluție specifică la caz de utilizare:

import org.apache.spark.sql._

def sample(dfs : Map[String, DataFrame])(implicit spark: SparkSession): DataFrame =
  dfs
    .values
    .foldLeft(spark.emptyDataFrame)((acc, df) => acc.union(df))

Scânteia sesiune este necesar pentru a crea gol DataFrame acumulator să se plieze pe.

Alternativ, dacă vă pot garanta Map este non gol.

def sample(dfs : Map[String, DataFrame]): DataFrame =
  dfs
    .values
    .reduce((acc, df) => acc.union(df))