В Pandas можно сделать такую операцию:
mapping = {
'a': 'The letter A',
'b': 'The letter B',
'c': 'The third letter'
}
x = pd.Series(['a', 'b', 'a', c']).map(mapping)
и получить что-то вроде
pd.Series([
'The letter A',
'The letter B',
'The letter A',
'The third letter'
])
Наивно, я могу добиться этого в PySpark DataFrame с чем-то вроде
import pyspark.sql.functions as F
import pyspark.sql.functions as T
def _map_values_str(value, mapping, default=None):
""" Apply a mapping, assuming the result is a string """
return mapping.get(value, default)
map_values_str = F.udf(_map_values_str, T.StringType())
mapping = {
'a': 'The letter A',
'b': 'The letter B',
'c': 'The third letter'
}
data = spark.createDataFrame([('a',), ('b',), ('a',), ('c',)], schema=['letters'])
data = data.withColumn('letters_mapped', map_values_str(F.col('letters'), mapping))
Но UDF, как это, как правило, несколько медленны в больших наборах данных в моем опыте. Есть ли более эффективный способ?
Я думаю, в этом случае вы могли бы преобразовать dict
в DataFrame
и просто использовать join
:
import pyspark.sql.functions as F
mapping = {
'a': 'The letter A',
'b': 'The letter B',
'c': 'The third letter'
}
# Convert so Spark DataFrame
mapping_df = spark.sparkContext.parallelize([(k,)+(v,) for k,v in mapping.items()]).toDF(['letters','val'])
data = spark.createDataFrame([('a',), ('b',), ('a',), ('c',)], schema=['letters'])
data = data.join(mapping_df.withColumnRenamed('val','letters_mapped'),'letters','left')
data.show()
Выход:
+-------+----------------+
|letters| letters_mapped|
+-------+----------------+
| c|The third letter|
| b| The letter B|
| a| The letter A|
| a| The letter A|
+-------+----------------+
Надеюсь это поможет!