如何在Spark DataFrame中添加一个常量列？

我想在DataFrame添加一个任意值的列（每行都是一样的）。 我在使用withColumn时出现错误，如下所示：

 dt.withColumn('new_column', 10).head(5) --------------------------------------------------------------------------- AttributeError Traceback (most recent call last) <ipython-input-50-a6d0257ca2be> in <module>() 1 dt = (messages 2 .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt"))) ----> 3 dt.withColumn('new_column', 10).head(5) /Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col) 1166 [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)] 1167 """ -> 1168 return self.select('*', col.alias(colName)) 1169 1170 @ignore_unicode_prefix AttributeError: 'int' object has no attribute 'alias' 

看来，我可以欺骗函数工作，因为我想通过添加和减去其他列之一（所以他们加上零），然后添加我想要的数字（在这种情况下10）：

 dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5) [Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10), Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10), Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10), Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10), Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)] 

这是非常哈克，对不对？ 我认为有一个更合法的方式来做到这一点？

Answer 1

Spark 2.2+

Spark 2.2引入了typedLit来支持Seq ， Map和Tuples （ SPARK-19254 ），并支持以下调用（Scala）：

 import org.apache.spark.sql.functions.typedLit df.withColumn("some_array", typedLit(Seq(1, 2, 3))) df.withColumn("some_struct", typedLit(("foo", 1, .0.3))) df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2))) 

Spark 1.3+ （ lit ）， 1.4+ （ array ， struct ）， 2.0+ （ map ）：

DataFrame.withColumn的第二个参数应该是一个Column所以你必须使用一个文字：

 from pyspark.sql.functions import lit df.withColumn('new_column', lit(10)) 

如果你需要复杂的列，你可以像使用array一样build立这些列：

 from pyspark.sql.functions import array, create_map, struct df.withColumn("some_array", array(lit(1), lit(2), lit(3))) df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3))) df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2))) 

在Scala中可以使用完全相同的方法。

 import org.apache.spark.sql.functions.{array, lit, map, struct} df.withColumn("new_column", lit(10)) df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2))) 

尽pipe速度较慢，但​​也可以使用UDF。