PySpark - переименовать более одного столбца, используя withColumnRenamed

Я хочу изменить имена двух столбцов, используя искру с функцией ColumnRenamed. Конечно, я могу написать:

data = sqlContext.createDataFrame([(1,2), (3,4)], ['x1', 'x2'])
data = (data
       .withColumnRenamed('x1','x3')
       .withColumnRenamed('x2', 'x4'))

но я хочу сделать это за один шаг (имея список/кортеж новых имен). К сожалению, ни это:

data = data.withColumnRenamed(['x1', 'x2'], ['x3', 'x4'])

и это:

data = data.withColumnRenamed(('x1', 'x2'), ('x3', 'x4'))

работает. Можно ли так сделать?

Ответ 1

Невозможно использовать один вызов с withColumnRenamed.

  • Вы можете использовать метод DataFrame.toDF *

    data.toDF('x3', 'x4')
    

    или же

    new_names = ['x3', 'x4']
    data.toDF(*new_names)
    
  • Также можно переименовать с помощью простого select:

    from pyspark.sql.functions import col
    
    mapping = dict(zip(['x1', 'x2'], ['x3', 'x4']))
    data.select([col(c).alias(mapping.get(c, c)) for c in data.columns])
    

Аналогично в Scala вы можете:

  • Переименуйте все столбцы:

    val newNames = Seq("x3", "x4")
    
    data.toDF(newNames: _*)
    
  • Переименовать из отображения с помощью select:

    val  mapping = Map("x1" -> "x3", "x2" -> "x4")
    
    df.select(
      df.columns.map(c => df(c).alias(mapping.get(c).getOrElse(c))): _*
    )
    

    или foldLeft + withColumnRenamed

    mapping.foldLeft(data){
      case (data, (oldName, newName)) => data.withColumnRenamed(oldName, newName) 
    }
    

* Не путать с RDD.toDF который не является переменным функционалом, и принимает имена столбцов в виде списка,

Ответ 2

Я тоже не мог найти легкое решение для pyspark, поэтому просто создал свой собственный, похожий на pandas 'df.rename(columns={'old_name_1':'new_name_1', 'old_name_2':'new_name_2'}).

def rename_columns(df, columns):
    if isinstance(columns, dict):
        for old_name, new_name in columns.items():
            df = df.withColumnRenamed(old_name, new_name)
        return df
    else:
        raise ValueError("'columns' should be a dict, like {'old_name_1':'new_name_1', 'old_name_2':'new_name_2'}")

Итак, ваше решение будет выглядеть как data = rename_columns(data, {'x1': 'x3', 'x2': 'x4'})

Это сэкономит мне несколько строк кода, надеюсь, что это тоже поможет.

Ответ 3

почему вы хотите выполнить его в одной строке, если вы распечатываете план выполнения, он фактически выполняется только в одной строке

data = spark.createDataFrame([(1,2), (3,4)], ['x1', 'x2'])
data = (data
   .withColumnRenamed('x1','x3')
   .withColumnRenamed('x2', 'x4'))
data.explain()

ВЫХОД

== Physical Plan ==
*(1) Project [x1#1548L AS x3#1552L, x2#1549L AS x4#1555L]
+- Scan ExistingRDD[x1#1548L,x2#1549L]

если вы хотите сделать это с кортежем списка, вы можете использовать простую функцию карты

data = spark.createDataFrame([(1,2), (3,4)], ['x1', 'x2'])
new_names = [("x1","x3"),("x2","x4")]
data = data.select(list(
       map(lambda old,new:F.col(old).alias(new),*zip(*new_names))
       ))

data.explain()

по-прежнему имеет тот же план

ВЫХОД

== Physical Plan ==
*(1) Project [x1#1650L AS x3#1654L, x2#1651L AS x4#1655L]
+- Scan ExistingRDD[x1#1650L,x2#1651L]