Как определить, есть ли в Spark DataFrame столбец

Ответ 1

Предположим, что он существует, и пусть он терпит неудачу с Try. Простая и простая и поддерживает произвольное вложение:

import scala.util.Try
import org.apache.spark.sql.DataFrame

def hasColumn(df: DataFrame, path: String) = Try(df(path)).isSuccess

val df = sqlContext.read.json(sc.parallelize(
  """{"foo": [{"bar": {"foobar": 3}}]}""" :: Nil))

hasColumn(df, "foobar")
// Boolean = false

hasColumn(df, "foo")
// Boolean = true

hasColumn(df, "foo.bar")
// Boolean = true

hasColumn(df, "foo.bar.foobar")
// Boolean = true

hasColumn(df, "foo.bar.foobaz")
// Boolean = false

Или даже проще:

val columns = Seq(
  "foobar", "foo", "foo.bar", "foo.bar.foobar", "foo.bar.foobaz")

columns.flatMap(c => Try(df(c)).toOption)
// Seq[org.apache.spark.sql.Column] = List(
//   foo, foo.bar AS bar#12, foo.bar.foobar AS foobar#13)

эквивалент Python:

from pyspark.sql.utils import AnalysisException
from pyspark.sql import Row


def has_column(df, col):
    try:
        df[col]
        return True
    except AnalysisException:
        return False

df = sc.parallelize([Row(foo=[Row(bar=Row(foobar=3))])]).toDF()

has_column(df, "foobar")
## False

has_column(df, "foo")
## True

has_column(df, "foo.bar")
## True

has_column(df, "foo.bar.foobar")
## True

has_column(df, "foo.bar.foobaz")
## False

Ответ 2

Другим вариантом, который я обычно использую, является

df.columns.contains("column-name-to-check")

Это возвращает логическое

Ответ 3

На самом деле вам даже не нужно вызывать select для использования столбцов, вы можете просто вызвать его на самом кадре данных

// define test data
case class Test(a: Int, b: Int)
val testList = List(Test(1,2), Test(3,4))
val testDF = sqlContext.createDataFrame(testList)

// define the hasColumn function
def hasColumn(df: org.apache.spark.sql.DataFrame, colName: String) = df.columns.contains(colName)

// then you can just use it on the DF with a given column name
hasColumn(testDF, "a")  // <-- true
hasColumn(testDF, "c")  // <-- false

В качестве альтернативы вы можете определить неявный класс, используя шаблон pib my library, чтобы метод hasColumn был доступен прямо на ваших данных.

implicit class DataFrameImprovements(df: org.apache.spark.sql.DataFrame) {
    def hasColumn(colName: String) = df.columns.contains(colName)
}

Затем вы можете использовать его как:

testDF.hasColumn("a") // <-- true
testDF.hasColumn("c") // <-- false

Ответ 4

Другой вариант для этого - сделать некоторые манипуляции с массивами (в данном случае intersect) на df.columns и potential_columns.

// Loading some data (so you can just copy & paste right into spark-shell)
case class Document( a: String, b: String, c: String)
val df = sc.parallelize(Seq(Document("a", "b", "c")), 2).toDF

// The columns we want to extract
val potential_columns = Seq("b", "c", "d")

// Get the intersect of the potential columns and the actual columns, 
// we turn the array of strings into column objects
// Finally turn the result into a vararg (: _*)
df.select(potential_columns.intersect(df.columns).map(df(_)): _*).show

Увы, это не сработает для вашего внутреннего сценария объекта выше. Вам нужно будет посмотреть на схему для этого.

Я собираюсь изменить ваши potential_columns на полные имена столбцов

val potential_columns = Seq("a.b", "a.c", "a.d")

// Our object model
case class Document( a: String, b: String, c: String)
case class Document2( a: Document, b: String, c: String)

// And some data...
val df = sc.parallelize(Seq(Document2(Document("a", "b", "c"), "c2")), 2).toDF

// We go through each of the fields in the schema.
// For StructTypes we return an array of parentName.fieldName
// For everything else we return an array containing just the field name
// We then flatten the complete list of field names
// Then we intersect that with our potential_columns leaving us just a list of column we want
// we turn the array of strings into column objects
// Finally turn the result into a vararg (: _*)
df.select(df.schema.map(a => a.dataType match { case s : org.apache.spark.sql.types.StructType => s.fieldNames.map(x => a.name + "." + x) case _ => Array(a.name) }).flatMap(x => x).intersect(potential_columns).map(df(_)) : _*).show

Это только один уровень глубины, поэтому, чтобы сделать его общим, вам придется больше работать.

Ответ 5

Try не является оптимальным, так как он будет оценивать выражение внутри Try до принятия решения.

Для больших наборов данных используйте ниже в Scala:

df.schema.fieldNames.contains("column_name")

Ответ 6

Для тех, кто наткнулся на это в поисках решения Python, я использую:

if 'column_name_to_check' in df.columns:
    # do something

Когда я попытался @Jai Prakash ответить на df.columns.contains('column-name-to-check') с помощью Python, я получил AttributeError: 'list' object has no attribute 'contains'.

Ответ 7

Если вы загружаете json, используя определение схемы при загрузке, вам не нужно проверять столбец. если он отсутствует в источнике json, он будет отображаться как пустой столбец.

        val schemaJson = """
  {
      "type": "struct",
      "fields": [
          {
            "name": field1
            "type": "string",
            "nullable": true,
            "metadata": {}
          },
          {
            "name": field2
            "type": "string",
            "nullable": true,
            "metadata": {}
          }
      ]
  }
        """
    val schema = DataType.fromJson(schemaJson).asInstanceOf[StructType]

    val djson = sqlContext.read
    .schema(schema )
    .option("badRecordsPath", readExceptionPath)
    .json(dataPath)

Ответ 8

def hasColumn(df: org.apache.spark.sql.DataFrame, colName: String) =
  Try(df.select(colName)).isSuccess

Используйте вышеупомянутую функцию, чтобы проверить существование столбца, включая имя вложенного столбца.