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
W Y4 小时前
【架构-37】Spark和Flink
架构·flink·spark
数新网络7 小时前
《深入浅出Apache Spark》系列②:Spark SQL原理精髓全解析
大数据·sql·spark
天冬忘忧17 小时前
Spark 程序开发与提交:本地与集群模式全解析
大数据·分布式·spark
全栈开发圈19 小时前
新书速览|Spark SQL大数据分析快速上手
sql·数据分析·spark
天冬忘忧1 天前
Spark on YARN:Spark集群模式之Yarn模式的原理、搭建与实践
大数据·spark
出发行进1 天前
PySpark本地开发环境搭建
大数据·python·数据分析·spark·anaconda
Mephisto.java1 天前
【大数据学习 | kafka高级部分】文件清除原理
大数据·hadoop·zookeeper·spark·kafka·hbase·flume
青春不流名1 天前
mysql-springboot netty-flink-kafka-spark(paimon)-minio
spark
小黑032 天前
Spark资源调度和任务调度
大数据·分布式·spark
大数据编程之光2 天前
【spark面试题】RDD和DataFrame以及DataSet有什么异同
大数据·分布式·spark