是否可以在不包括其他列的值的情况下分解一列？

问题描述

在我的方案中，我分解一个数组列，以便每行有一条记录，这样我就可以执行联接，然后将这些分解的列重新组合在一起

+--------------+-------+------------------------+
|     body     |  ID   |     array_column       |
+--------------+-------+------------------------+
| (large data) | guid1 |     (entry1,entry2)    |
+--------------+-------+------------------------+
| (large data) | guid2 | (entry3,entry4,entry5) |
+--------------+-------+------------------------+

->；

+--------------+-------+-----------------+
|     body     |  ID   |  array_column   |
+--------------+-------+-----------------+
| (large data) | guid1 |      entry1     |
+--------------+-------+-----------------+
|     null     | guid1 |      entry2     |
+--------------+-------+-----------------+
| (large data) | guid2 |      entry3     |
+--------------+-------+-----------------+
|     null     | guid2 |      entry4     |
+--------------+-------+-----------------+
|     null     | guid2 |      entry5     |
+--------------+-------+-----------------+

->；

+--------------+-------+---------------------------------------------------+
|     body     |  ID   |                   array_column                    |
+--------------+-------+---------------------------------------------------+
| (large data) | guid1 |            (entry1_enriched,entry2_enriched)      |
+--------------+-------+---------------------------------------------------+
| (large data) | guid2 | (entry3_enriched,entry4_enriched,entry5_enriched) |
+--------------+-------+---------------------------------------------------+

请注意，在分解之后，主体只存在于其中一个分解中，否则它将填充空值。这就是我希望发生的事情。现在，它被每一行中的大主体填满了，这给我们带来了内存问题。我曾考虑拆分表、删除列，并在稍后将其与自身重新联接，但因为我是在对流数据进行操作，所以这不是一个真正的选择。

附注：我不关心重新联接(此部分正在工作)，除非有一种简单的方法可以用哑值填充某些分解行的列，以最大限度地减少空间消耗

推荐答案

RDD.flatMap可以使用。函数(在下面的代码中称为flatten)从输入数据中获取一行，然后在结果行列表上返回迭代器。在此列表中，第一行包含large data，而对于所有其他行，此列设置为None：

df= ...

def flatten(row):
    body=row[0]
    id=row[1]
    entries=row[2]
    return iter([(body, id, entries[0])] + [(None, id, e) for e in entries[1:]])

flattend_rdd=df.rdd.flatMap(flatten)

spark.createDataFrame(flattend_rdd, df.columns).show()

输出：

+--------------+-----+------------+
|          body|   ID|array_column|
+--------------+-----+------------+
|(large data 1)|guid1|      entry1|
|          null|guid1|      entry2|
|(large data 2)|guid2|      entry3|
|          null|guid2|      entry4|
|          null|guid2|      entry5|
+--------------+-----+------------+

这篇关于是否可以在不包括其他列的值的情况下分解一列？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！