Aduce date folosind numele coloanelor stocate ca valori într-o coloană în aceeași dataframe pyspark

Question 1

Am un set mai mare de date similar cu exemplul de mai jos :

ID	COD	STUDIU	SUMA	COL_NAME
111	5611	ABCD	56.17	ID
211	5411	GFED	451.1	SUMA
311	3212	YTRA	687.3	STUDIU

Vreau să populeze valorile din coloanele stocate în col_name într-o coloană(COL_VAL) în același dataframe ca mai jos :

ID	COD	STUDIU	SUMA	COL_NAME	COL_VALUE
111	5611	ABCD	56.17	ID	111
211	5411	GFED	451.1	SUMA	451.1
311	3212	YTRA	687.3	STUDIU	YTRA

Eu sunt, folosind o buclă și .colecta() pentru a popula valori, dar ea este de a lua o mulțime de timp. Aș vrea să știu eficiente modalități de a face același relevante pentru un set de date de mare.

Question 2

Puteți utiliza when pentru a realiza acest lucru.

from pyspark.sql import functions as F

data = [(111, 5611, "ABCD", 56.17, "ID",),
(211, 5411, "GFED", 451.1, "AMOUNT",),
(311, 3212, "YTRA", 687.3, "STUDY",),]

df = spark.createDataFrame(data, ("ID", "CODE", "STUDY", "AMOUNT","COL_NAME"))

def derive_column_value():
    condition = F
    for possible_value in df.columns:
        condition = condition.when(F.col("COL_NAME") == possible_value, F.col(possible_value))
    return condition

df.withColumn("COL_VALUE", derive_column_value()).show()

Ieșire

+---+----+-----+------+--------+---------+
| ID|CODE|STUDY|AMOUNT|COL_NAME|COL_VALUE|
+---+----+-----+------+--------+---------+
|111|5611| ABCD| 56.17|      ID|      111|
|211|5411| GFED| 451.1|  AMOUNT|    451.1|
|311|3212| YTRA| 687.3|   STUDY|     YTRA|
+---+----+-----+------+--------+---------+

Nithish · Answer 1 · 2021-11-23T17:41:06

Puteți utiliza when pentru a realiza acest lucru.

from pyspark.sql import functions as F

data = [(111, 5611, "ABCD", 56.17, "ID",),
(211, 5411, "GFED", 451.1, "AMOUNT",),
(311, 3212, "YTRA", 687.3, "STUDY",),]

df = spark.createDataFrame(data, ("ID", "CODE", "STUDY", "AMOUNT","COL_NAME"))

def derive_column_value():
    condition = F
    for possible_value in df.columns:
        condition = condition.when(F.col("COL_NAME") == possible_value, F.col(possible_value))
    return condition

df.withColumn("COL_VALUE", derive_column_value()).show()

Ieșire

+---+----+-----+------+--------+---------+
| ID|CODE|STUDY|AMOUNT|COL_NAME|COL_VALUE|
+---+----+-----+------+--------+---------+
|111|5611| ABCD| 56.17|      ID|      111|
|211|5411| GFED| 451.1|  AMOUNT|    451.1|
|311|3212| YTRA| 687.3|   STUDY|     YTRA|
+---+----+-----+------+--------+---------+

Aduce date folosind numele coloanelor stocate ca valori într-o coloană în aceeași dataframe pyspark

Problema

Cel mai bun răspuns

Ieșire

În alte limbi

Această pagină este în alte limbi

Popular în această categorie

Întrebări frecvente în această categorie