GraphFrames路径边多值字段过滤

  1. 背景:

GraphFrames是spark封装的关于图算子的操作,并且可以兼容pyspark的调用方式.里面包括了创建图,遍历图,过滤图的一些操作。在创建图的过程需要定义图上的节点和图的边,边的定义可以一般为三元组,即:(A, B, EdgeType),当按某种条件继续边的过滤时,会有两种情况:一是对RDD里的某一列内部进行过滤;二是过滤前后两列的情况,比如在边的路径上,按前后两条边的某种关系继续过滤,如按日期继续排序。该问题定义为DataFrame RDD对多值字段的过滤解析问题,即:RDD中某个字段含有多个值,多值的表达一般为array,struct等。

2、方法

(1)struct

对spark的dataframe多值字段的过滤,首先通过dataFrame.printSchema()打印看到df中每个字段的类型。

对于这种以结构体struct存储,过滤的方法采用

dataframe.select("first.data").show(),通过对象.属性的方式实现对某一个属性的引用;进而通过filter方法进行过滤

dataframe.filter("sec.date > first.date and third.date > sec.date").show()

(2)array

df = spark.createDataFrame([('a',[1,2,3]), ('b', [4,5,6])], ['key', 'values'])

df.printSchema()

root

|-- key: string (nullable = true)

|-- values: array (nullable = true)

| |-- element: long (containsNull = true)

df.select(expr('key'), expr('values[1]')).show()

df.selectExpr('key', 'values[1]').show()

df.withColumn('c1', df['values'].getItem(1)).drop('values').show()

(3)vector

将array转成vector的方法:

from pyspark.ml.linalg import Vectors, VectorUDT

from pyspark.sql.functions import udf

list_to_vector_udf = udf(lambda l: Vectors.dense(l), VectorUDT())

df = df.select('key', list_to_vector_udf(df['values']).alias('values'))

df.show()

df.printSchema()

root

|-- key: string (nullable = true)

|-- values: vector (nullable = true)

from pyspark.sql.functions import udf

from pyspark.sql.types import FloatType

firstelement=udf(lambda v:float(v[0]),FloatType())

df.select(firstelement('values').alias('val1')).show()

  1. 总结

对dtaframe的多值字段进行提取和过滤,spark都提供了对应的方法,根据自己的需要进行不同的过滤

相关推荐
PersistJiao4 小时前
在 Spark RDD 中,sortBy 和 top 算子的各自适用场景
大数据·spark·top·sortby
lzhlizihang4 小时前
python如何使用spark操作hive
hive·python·spark
Mephisto.java5 小时前
【大数据学习 | Spark】Spark的改变分区的算子
大数据·elasticsearch·oracle·spark·kafka·memcache
zhixingheyi_tian10 小时前
Spark 之 Aggregate
大数据·分布式·spark
PersistJiao10 小时前
Spark 分布式计算中网络传输和序列化的关系(一)
大数据·网络·spark
PersistJiao19 小时前
Spark 分布式计算中网络传输和序列化的关系(二)
大数据·网络·spark·序列化·分布式计算
PersistJiao1 天前
Spark RDD 的宽依赖和窄依赖
spark·rdd·宽窄依赖
那一抹阳光多灿烂1 天前
Spark中的Stage概念
大数据·spark
lisacumt1 天前
【spark】pycharm 内使用pyspark连接有kerberos集群执行sql
python·pycharm·spark
心死翼未伤1 天前
python从入门到精通:pyspark实战分析
开发语言·数据结构·python·spark·json