Spark-Java :如何在spark Dataframe中添加数组列

Question

我正在尝试向我的Spark Dataframe添加一个新列。添加的新列的大小将基于变量(例如salt) post，我将使用该列分解数据集以用于盐连接。

目前，我在array函数中使用连续的lit，但这有一个问题，它不能被参数化，而且作为一种编码实践看起来很糟糕。我目前的实现看起来像下面这样。

int salt =3;

Dataset<Row> Reference_with_Salt_Col = Reference.withColumn("salt_array", array(lit(0), lit(1), lit(2)));

我参考和研究了各种方法，但似乎都不能解决Java中的问题。虽然functions.typedlit方法适用于Python/Scala语言，但似乎不适用于Java。进一步传递数组或列表也不会帮助spark在相同的数组或列表上给出错误。

我使用的是Spark 2.2.0和Java 1.8版本

Answer 1

您可以使用array函数，但首先将列表中的每个元素转换为lit。在流上使用map函数的示例：

import org.apache.spark.sql.*;

import java.util.Arrays;
import java.util.List;

// example of input dataframe
Reference.show();

//+-----+
//|label|
//+-----+
//|    a|
//|    b|
//|    c|
//+-----+

List<Integer> salt_array = Arrays.asList(0, 1, 2);

Reference.withColumn(
        "salt_array",
        functions.array(salt_array.stream().map(functions::lit).toArray(Column[]::new))
).show();

//+-----+----------+
//|label|salt_array|
//+-----+----------+
//|    a| [0, 1, 2]|
//|    b| [0, 1, 2]|
//|    c| [0, 1, 2]|
//+-----+----------+

要生成一个包含从0到salt - 1的范围的数组，可以像这样使用IntStream.rangeClosed：

import java.util.stream.IntStream;

int salt = 3;

Dataset<Row> Reference_with_Salt_Col = Reference.withColumn(
        "salt_array",
        functions.array(IntStream.rangeClosed(0, salt - 1).mapToObj(functions::lit).toArray(Column[]::new))
);