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 splitla función devolverá una función arrayluego explodeen 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|
#+-------+---------+--------+