- 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('values1')).show()
df.selectExpr('key', 'values1').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(v0),FloatType())
df.select(firstelement('values').alias('val1')).show()
- 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