Pyspark: ¿Cómo dividir la columna separada por tuberías en varias filas? [duplicar]
Aug 18 2020
Tengo un marco de datos que contiene lo siguiente:
movieId / movieName / genre
1 example1 action|thriller|romance
2 example2 fantastic|action
Me gustaría obtener un segundo dataframe (del primero), que contenga lo siguiente:
movieId / movieName / genre
1 example1 action
1 example1 thriller
1 example1 romance
2 example2 fantastic
2 example2 action
¿Cómo podemos hacerlo usando pyspark?
Respuestas
1 Shu Aug 18 2020 at 08:41
Use split
la función devolverá una función array
luego explode
en la matriz.
Example:
df.show(10,False)
#+-------+---------+-----------------------+
#|movieid|moviename|genre |
#+-------+---------+-----------------------+
#|1 |example1 |action|thriller|romance|
#+-------+---------+-----------------------+
from pyspark.sql.functions import *
df.withColumnRenamed("genre","genre1").\
withColumn("genre",explode(split(col("genre1"),'\\|'))).\
drop("genre1").\
show()
#+-------+---------+--------+
#|movieid|moviename| genre|
#+-------+---------+--------+
#| 1| example1| action|
#| 1| example1|thriller|
#| 1| example1| romance|
#+-------+---------+--------+