Spark Dataframe API 选择多个列，将它们映射到固定集，并联合 ALL

问题描述

我有一个定义了此架构的 CSV 源文件。

["Name","Address","TaxId","SS Number","Mobile Number","Gender","LastVisited"]

从这个 CSV，这些是我需要做的操作：

1. 选择一个列子集，一次一个，并将它们全部映射到这个固定模式：

   ["Name","Mobile","UniqueID","UniqueIdentifierRefCode"]

例如，在第一次迭代中，我将只选择列的一个子集：

[Col("Name"),Col("Address"),Col("Mobile Number"),Col("TaxId"),Lit("TaxIdentifier")]

2. 在下一次迭代中，我需要选择一个不同的子集，但将它们映射到相同的固定模式：

   [Col("Name"),Col("SS Number"),Lit("SocialSecurityNumber")]

我可以通过运行 for 循环、选择列并在最后执行 UnionAll 来完成所有这些。但是有没有更好的方法让 Spark 处理这个问题？

解决方法

您不需要循环但可以使用联合，如果您将数据框过滤到您想要的行，您可以使用 Union - 在我使用的过滤器中 IsNotNull() 但你可以使用您喜欢的任何过滤器（如果您不确定过滤器语法，请向我们提供更多详细信息，我会提供帮助）。

var taxId = dataFrame.Filter(Functions.Col("TaxId").IsNotNull())
    .WithColumn("UniqueId",Functions.Col("TaxId"));

var ssId = dataFrame.Filter(Functions.Col("ss").IsNotNull())
    .WithColumn("UniqueId",Functions.Col("ss"));

var unionedDataFrame = taxId.Union(ssId);
unionedDataFrame.Show()

获得最终数据框后，您可以选择实际需要的列或删除不需要的列：

unionedDataFrame.Drop("TaxId").Show()

或

unionedDataFrame.Select("name,UniqueId").Show()

在 Spark 中，这与以下逻辑完全相同：

dataFrame.Filter(Functions.Col("TaxId").IsNotNull())
    .WithColumn("UniqueId",Functions.Col("TaxId"))
    .Union( 
      dataFrame.Filter(Functions.Col("ss").IsNotNull())
       .WithColumn("UniqueId",Functions.Col("ss"))
     ).Show()

还要注意，当你调用一个方法时，你会得到一个新的 DataFrame，所以 dataFrame.Filter() 的结果是一个单独的 DataFrame 到 dataFrame 但需要注意的是，由于惰性求值，Spark在执行查询时创建计划。