将int列转换为列表类型pyspark

Question

我的DataFrame有一个列num_of_items。这是一个计数字段。现在，我想将它从int类型转换为list类型。

我尝试使用array(col)，甚至创建一个函数，以int值作为输入返回列表。不起作用

from pyspark.sql.types import ArrayType
from array import array

def to_array(x):
    return [x]

df=df.withColumn("num_of_items", monotonically_increasing_id())

df

col_1    | num_of_items
A        |  1
B        |  2

预期产出

col_1    | num_of_items
A        | [23]
B        | [43]

Answer 1

我试过使用数组

使用pyspark.sql.functions.array似乎对我有用。

from pyspark.sql.functions import array
df.withColumn("num_of_items", array("num_of_items")).show()
#+-----+------------+
#|col_1|num_of_items|
#+-----+------------+
#|    A|         [1]|
#|    B|         [2]|
#+-----+------------+

甚至创建一个函数，以int值作为输入返回列表。

如果要使用所创建的函数，则必须将其设置为udf并指定返回类型：

from pyspark.sql.types import ArrayType, IntegerType
from pyspark.sql.functions import udf, col

to_array_udf = udf(to_array, ArrayType(IntegerType()))
df.withColumn("num_of_items", to_array_udf(col("num_of_items"))).show()
#+-----+------------+
#|col_1|num_of_items|
#+-----+------------+
#|    A|         [1]|
#|    B|         [2]|
#+-----+------------+

但最好尽可能避免使用udf：参见Spark functions vs UDF performance?