我在使用Pyspark Dataframe时遇到了一些麻烦 . 具体来说,我正在尝试为数据帧创建一个列,这是合并数据帧的两列的结果 .
例如 .
this_dataframe = this_dataframe.withColumn('new_max_price', coalesce(this_dataframe['max_price'],this_dataframe['avg(max_price)']).cast(FloatType()))
此代码的问题是它仍然在某些行中返回值“null” . 具体来说,我正在运行此代码:
this_dataset.where(col("new_max_price").isNull()).count()
此代码给出了积极的结果 . 因此,虽然此代码有效,但它不会产生预期的结果 .
我发现其他一些问题(例如Selecting values from non-null columns in a PySpark DataFrame)被认为是相似的,但由于某种原因我无法复制他们的结果 .
这里有一些基于前面提到的链接的代码:
def coalesce_columns(c1, c2):
if c1 != None and c2 != None:
return c1
elif c1 == None:
return c2
else:
return c1
coalesceUDF = udf(coalesce_columns)
max_price_col = [coalesceUDF(col("max_price"), col("avg(max_price)")).alias("competitive_max_price")]
this_dataset.select(max_price_col).show()
当我尝试执行最后一行来测试我的结果是否正确时,我收到一个错误 .
AttributeError:'unicode'对象没有属性'isNull'
所以基本上问题是,如何使用spark sql函数创建一个合并两个pyspark数据帧列的列?如果这是不可能的,我可以使用什么样的UDF来创建一些我可以附加到另一个数据帧的数据帧列?
1 回答
我认为
coalesce
实际上是在做它的工作,问题的根源是你在两列中都有null
值,在合并后产生null
. 我举一个可以帮助你的例子 .