Colunas concatenadas no Apache Spark DataFrame

Como concatenamos duas colunas em um Apache Spark DataFrame? Existe alguma função no Spark SQL que possamos usar?

Com o SQL bruto, você pode usar CONCAT:

• Em Python

  df = sqlContext.createDataFrame([("foo", 1), ("bar", 2)], ("k", "v"))
  df.registerTempTable("df")
  sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

• Em Scala

  import sqlContext.implicits._
  
  val df = sc.parallelize(Seq(("foo", 1), ("bar", 2))).toDF("k", "v")
  df.registerTempTable("df")
  sqlContext.sql("SELECT CONCAT(k, ' ',  v) FROM df")

Desde o Spark 1.5.0, você pode usar a concatfunção com DataFrame API:

• Em Python:

  from pyspark.sql.functions import concat, col, lit
  
  df.select(concat(col("k"), lit(" "), col("v")))

• Em Scala:

  import org.apache.spark.sql.functions.{concat, lit}
  
  df.select(concat($"k", lit(" "), $"v"))

Também há uma concat_wsfunção que recebe um separador de string como primeiro argumento.

Veja como você pode fazer nomes personalizados

import pyspark
from pyspark.sql import functions as sf
sc = pyspark.SparkContext()
sqlc = pyspark.SQLContext(sc)
df = sqlc.createDataFrame([('row11','row12'), ('row21','row22')], ['colname1', 'colname2'])
df.show()

dá,

+--------+--------+
|colname1|colname2|
+--------+--------+
|   row11|   row12|
|   row21|   row22|
+--------+--------+

crie uma nova coluna concatenando:

df = df.withColumn('joined_column', 
                    sf.concat(sf.col('colname1'),sf.lit('_'), sf.col('colname2')))
df.show()

+--------+--------+-------------+
|colname1|colname2|joined_column|
+--------+--------+-------------+
|   row11|   row12|  row11_row12|
|   row21|   row22|  row21_row22|
+--------+--------+-------------+

Uma opção para concatenar colunas de string no Spark Scala é usar concat.

É necessário verificar os valores nulos . Porque se uma das colunas for nula, o resultado será nulo mesmo se uma das outras colunas tiver informações.

Usando concate withColumn:

val newDf =
  df.withColumn(
    "NEW_COLUMN",
    concat(
      when(col("COL1").isNotNull, col("COL1")).otherwise(lit("null")),
      when(col("COL2").isNotNull, col("COL2")).otherwise(lit("null"))))

Usando concate select:

val newDf = df.selectExpr("concat(nvl(COL1, ''), nvl(COL2, '')) as NEW_COLUMN")

Com ambas as abordagens, você terá um NEW_COLUMN cujo valor é uma concatenação das colunas: COL1 e COL2 de seu df original.

Se você quiser fazer isso usando DF, pode usar um udf para adicionar uma nova coluna com base nas colunas existentes.

val sqlContext = new SQLContext(sc)
case class MyDf(col1: String, col2: String)

//here is our dataframe
val df = sqlContext.createDataFrame(sc.parallelize(
    Array(MyDf("A", "B"), MyDf("C", "D"), MyDf("E", "F"))
))

//Define a udf to concatenate two passed in string values
val getConcatenated = udf( (first: String, second: String) => { first + " " + second } )

//use withColumn method to add a new column called newColName
df.withColumn("newColName", getConcatenated($"col1", $"col2")).select("newColName", "col1", "col2").show()

No Spark 2.3 ( SPARK-22771 ), o Spark SQL oferece suporte ao operador de concatenação ||.

Por exemplo;

val df = spark.sql("select _c1 || _c2 as concat_column from <table_name>")

Aqui está outra maneira de fazer isso para o pyspark:

#import concat and lit functions from pyspark.sql.functions 
from pyspark.sql.functions import concat, lit

#Create your data frame
countryDF = sqlContext.createDataFrame([('Ethiopia',), ('Kenya',), ('Uganda',), ('Rwanda',)], ['East Africa'])

#Use select, concat, and lit functions to do the concatenation
personDF = countryDF.select(concat(countryDF['East Africa'], lit('n')).alias('East African'))

#Show the new data frame
personDF.show()

----------RESULT-------------------------

84
+------------+
|East African|
+------------+
|   Ethiopian|
|      Kenyan|
|     Ugandan|
|     Rwandan|
+------------+

Aqui está uma sugestão para quando você não sabe o número ou nome das colunas no Dataframe.

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

concat (* cols)

v1.5 e superior

Concatena várias colunas de entrada em uma única coluna. A função funciona com strings, colunas binárias e de array compatíveis.

Por exemplo: new_df = df.select(concat(df.a, df.b, df.c))

concat_ws (sep, * cols)

v1.5 e superior

Igual a concat mas usa o separador especificado.

Por exemplo: new_df = df.select(concat_ws('-', df.col1, df.col2))

map_concat (* cols)

v2.4 e superior

Usado para concat mapas, retorna a união de todos os mapas fornecidos.

Por exemplo: new_df = df.select(map_concat("map1", "map2"))

Usando o operador concat de string ( ||):

v2.3 e superior

Por exemplo: df = spark.sql("select col_a || col_b || col_c as abc from table_x")

Referência: Spark sql doc

No Spark 2.3.0, você pode fazer:

spark.sql( """ select '1' || column_a from table_a """)

Em Java, você pode fazer isso para concatenar várias colunas. O código de amostra é para fornecer a você um cenário e como usá-lo para melhor compreensão.

SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
Dataset<Row> reducedInventory = spark.sql("select * from table_name")
                        .withColumn("concatenatedCol",
                                concat(col("col1"), lit("_"), col("col2"), lit("_"), col("col3")));


class JavaSparkSessionSingleton {
    private static transient SparkSession instance = null;

    public static SparkSession getInstance(SparkConf sparkConf) {
        if (instance == null) {
            instance = SparkSession.builder().config(sparkConf)
                    .getOrCreate();
        }
        return instance;
    }
}

O código acima concatenou col1, col2, col3 separados por "_" para criar uma coluna com o nome "concatenatedCol".

Temos sintaxe java correspondente ao processo abaixo

val dfResults = dfSource.select(concat_ws(",",dfSource.columns.map(c => col(c)): _*))

Outra maneira de fazer isso no pySpark usando sqlContext ...

#Suppose we have a dataframe:
df = sqlContext.createDataFrame([('row1_1','row1_2')], ['colname1', 'colname2'])

# Now we can concatenate columns and assign the new column a name 
df = df.select(concat(df.colname1, df.colname2).alias('joined_colname'))

Na verdade, existem algumas abstrações embutidas bonitas para você realizar sua concatenação sem a necessidade de implementar uma função personalizada. Como você mencionou o Spark SQL, suponho que você está tentando passá-lo como um comando declarativo por meio de spark.sql (). Nesse caso, você pode realizar de maneira direta, passando o comando SQL como: SELECT CONCAT(col1, '<delimiter>', col2, ...) AS concat_column_name FROM <table_name>;

Além disso, a partir do Spark 2.3.0, você pode usar comandos em linhas com: SELECT col1 || col2 AS concat_column_name FROM <table_name>;

Onde, é o seu delimitador preferido (também pode ser um espaço vazio) e é a tabela temporária ou permanente a partir da qual você está tentando ler.

Podemos usar simplesmente SelectExpr também. df1.selectExpr ("*", "superior (_2 || _3) como novo")