PySpark SQL: 改变列的数据类型
2021-11-05 09:26:58.0
1、使用Python的字典类型数据来构建DataFrame
from pyspark.sql.types import ArrayType, StructField, StructType, StringType, IntegerType, DecimalType from decimal import Decimal # List data = [{"Category": 'Category A', "ID": 1, "Value": Decimal(12.40)}, {"Category": 'Category B', "ID": 2, "Value": Decimal(30.10)}, {"Category": 'Category C', "ID": 3, "Value": Decimal(100.01)} ] schema = StructType([ StructField('Category', StringType(), False), StructField('ID', IntegerType(), False), StructField('Value', DecimalType(scale=2), True) ]) # 创建DataFrame df = spark.createDataFrame(data, schema) print(df.schema) df.show()
执行以上代码,输出结果如下:
StructType(List(StructField(Category,StringType,false),StructField(ID,IntegerType,false),StructField(Value,DecimalType(10,2),true))) +----------+---+------+ | Category| ID| Value| +----------+---+------+ |Category A| 1| 12.40| |Category B| 2| 30.10| |Category C| 3|100.01| +----------+---+------+
2、使用lit 函数增加两个常量列
from pyspark.sql.functions import lit df1 = df.withColumn('Str_Col1', lit('1')) \ .withColumn('Str_Col2', lit('2020-08-09')) df1.show() print(df1.schema)
执行以上代码,输出结果如下:
+----------+---+------+--------+----------+ | Category| ID| Value|Str_Col1| Str_Col2| +----------+---+------+--------+----------+ |Category A| 1| 12.40| 1|2020-08-09| |Category B| 2| 30.10| 1|2020-08-09| |Category C| 3|100.01| 1|2020-08-09| +----------+---+------+--------+----------+ StructType(List(StructField(Category,StringType,false),StructField(ID,IntegerType,false),StructField(Value,DecimalType(10,2),true),StructField(Str_Col1,StringType,false),StructField(Str_Col2,StringType,false)))
从输出结果可以看出,当前的数据类型分别是: StringType, IntegerType, DecimalType, StringType 和 StringType。
3、使用cast 函数改变列类型
可使用函数DataFrame.cast来转换数据类型。
from pyspark.sql.types import DateType df1 = df1.withColumn("Str_Col1_Int", df1['Str_Col1'].cast('int')).drop('Str_Col1') \ .withColumn('Str_Col2_Date', df1['Str_Col2'].cast(DateType())).drop('Str_Col2') df1.show() print(df1.schema)
执行以上代码,输出结果如下:
+----------+---+------+------------+-------------+ | Category| ID| Value|Str_Col1_Int|Str_Col2_Date| +----------+---+------+------------+-------------+ |Category A| 1| 12.40| 1| 2020-08-09| |Category B| 2| 30.10| 1| 2020-08-09| |Category C| 3|100.01| 1| 2020-08-09| +----------+---+------+------------+-------------+ StructType(List(StructField(Category,StringType,false),StructField(ID,IntegerType,false),StructField(Value,DecimalType(10,2),true),StructField(Str_Col1_Int,IntegerType,true),StructField(Str_Col2_Date,DateType,true)))
可以看出,新增加的两列已经被转换为IntegerType和DateType。
另外,上面的代码中,cast函数的使用方式也不同:一个使用隐式类型字符串 'int',而另一个使用显式类型DateType。对于后者,需要确保导入该类。