Предположим, я делаю что-то вроде:

val df = sqlContext.load("com.databricks.spark.csv", Map("path" -> "cars.csv", "header" -> "true"))
df.printSchema()

root
 |-- year: string (nullable = true)
 |-- make: string (nullable = true)
 |-- model: string (nullable = true)
 |-- comment: string (nullable = true)
 |-- blank: string (nullable = true)

df.show()
year make  model comment              blank
2012 Tesla S     No comment
1997 Ford  E350  Go get one now th...

Но я действительно хотел yearкак Int(и, возможно, преобразовать некоторые другие столбцы).

Лучшее, что я мог придумать, было

df.withColumn("year2", 'year.cast("Int")).select('year2 as 'year, 'make, 'model, 'comment, 'blank)
org.apache.spark.sql.DataFrame = [year: int, make: string, model: string, comment: string, blank: string]

что немного запутано.

Я из R, и я привык писать, например,

df2 <- df %>%
   mutate(year = year %>% as.integer,
          make = make %>% toupper)

Я, вероятно, что-то упускаю, так как должен быть лучший способ сделать это в Spark / Scala ...

Редактировать: новейшая версия

С spark 2.x вы можете использовать .withColumn. Проверьте документы здесь:

https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.sql.Dataset@withColumn(colName:String,col:org.apache.spark.sql.Column) : org.apache.spark.sql.DataFrame

Самый старый ответ

Начиная с версии Spark 1.4 вы можете применить метод cast с DataType к столбцу:

import org.apache.spark.sql.types.IntegerType
val df2 = df.withColumn("yearTmp", df.year.cast(IntegerType))
    .drop("year")
    .withColumnRenamed("yearTmp", "year")

Если вы используете выражения SQL, вы также можете сделать:

val df2 = df.selectExpr("cast(year as int) year", 
                        "make", 
                        "model", 
                        "comment", 
                        "blank")

Для получения дополнительной информации проверьте документы: http://spark.apache.org/docs/1.6.0/api/scala/#org.apache.spark.sql.DataFrame

[EDIT: март 2016: спасибо за голоса! Хотя на самом деле, это не самый лучший ответ, я думаю , что решения , основанные на withColumn, withColumnRenamedи castвыдвинутую msemelman, Мартин Senne и другие проще и чище].

Я думаю, что ваш подход в порядке, напомним, что Spark DataFrame- это (неизменяемый) RDD Rows, поэтому мы никогда не заменяем столбец, а просто создаем DataFrameкаждый раз новую схему.

Предполагая, что у вас есть оригинальный df со следующей схемой:

scala> df.printSchema
root
 |-- Year: string (nullable = true)
 |-- Month: string (nullable = true)
 |-- DayofMonth: string (nullable = true)
 |-- DayOfWeek: string (nullable = true)
 |-- DepDelay: string (nullable = true)
 |-- Distance: string (nullable = true)
 |-- CRSDepTime: string (nullable = true)

И некоторые UDF определены в одном или нескольких столбцах:

import org.apache.spark.sql.functions._

val toInt    = udf[Int, String]( _.toInt)
val toDouble = udf[Double, String]( _.toDouble)
val toHour   = udf((t: String) => "%04d".format(t.toInt).take(2).toInt ) 
val days_since_nearest_holidays = udf( 
  (year:String, month:String, dayOfMonth:String) => year.toInt + 27 + month.toInt-12
 )

Изменение типов столбцов или даже создание нового DataFrame из другого можно записать так:

val featureDf = df
.withColumn("departureDelay", toDouble(df("DepDelay")))
.withColumn("departureHour",  toHour(df("CRSDepTime")))
.withColumn("dayOfWeek",      toInt(df("DayOfWeek")))              
.withColumn("dayOfMonth",     toInt(df("DayofMonth")))              
.withColumn("month",          toInt(df("Month")))              
.withColumn("distance",       toDouble(df("Distance")))              
.withColumn("nearestHoliday", days_since_nearest_holidays(
              df("Year"), df("Month"), df("DayofMonth"))
            )              
.select("departureDelay", "departureHour", "dayOfWeek", "dayOfMonth", 
        "month", "distance", "nearestHoliday")            

что дает:

scala> df.printSchema
root
 |-- departureDelay: double (nullable = true)
 |-- departureHour: integer (nullable = true)
 |-- dayOfWeek: integer (nullable = true)
 |-- dayOfMonth: integer (nullable = true)
 |-- month: integer (nullable = true)
 |-- distance: double (nullable = true)
 |-- nearestHoliday: integer (nullable = true)

Это довольно близко к вашему собственному решению. Проще говоря, хранение изменений типа и других преобразований в качестве отдельных udf valэлементов делает код более читабельным и пригодным для повторного использования.

Поскольку castоперация доступна для Spark Column(и, как я лично не одобряю udf, как предложено @ Svendна данном этапе), как насчет:

df.select( df("year").cast(IntegerType).as("year"), ... )

привести к запрошенному типу? В качестве аккуратного побочного эффекта станут значения, не подлежащие преобразованию / преобразованию в этом смысле null.

Если вам нужно это как вспомогательный метод , используйте:

object DFHelper{
  def castColumnTo( df: DataFrame, cn: String, tpe: DataType ) : DataFrame = {
    df.withColumn( cn, df(cn).cast(tpe) )
  }
}

который используется как:

import DFHelper._
val df2 = castColumnTo( df, "year", IntegerType )

Во-первых , если вы хотите использовать тип, то это:

import org.apache.spark.sql
df.withColumn("year", $"year".cast(sql.types.IntegerType))

С тем же именем столбца столбец будет заменен новым. Вам не нужно добавлять и удалять шаги.

Во- вторых , о Scala против R .
Это код, который больше всего похож на RI:

val df2 = df.select(
   df.columns.map {
     case year @ "year" => df(year).cast(IntegerType).as(year)
     case make @ "make" => functions.upper(df(make)).as(make)
     case other         => df(other)
   }: _*
)

Хотя длина кода немного больше, чем у R. Это не имеет ничего общего с многословием языка. В R mutateэто специальная функция для данных R, а в Scala вы можете легко использовать ее благодаря своей выразительной силе.
Словом, он избегает конкретных решений, потому что языковой дизайн достаточно хорош, чтобы вы могли быстро и легко создать свой собственный язык домена.

примечание: df.columnsна удивление Array[String]вместо Array[Column], может быть, они хотят, чтобы он выглядел как датафрейм Python-панд.

Вы можете использовать, selectExprчтобы сделать его немного чище:

df.selectExpr("cast(year as int) as year", "upper(make) as make",
    "model", "comment", "blank")

Java-код для изменения типа данных DataFrame с String на Integer

df.withColumn("col_name", df.col("col_name").cast(DataTypes.IntegerType))

Он просто приведёт существующий тип данных String к Integer.

Чтобы преобразовать год из строки в int, вы можете добавить следующую опцию в программу чтения csv: "inferSchema" -> "true", см. Документацию DataBricks.

Так что это действительно работает, только если у вас возникли проблемы с сохранением в драйвер jdbc, такой как sqlserver, но это действительно полезно для ошибок, с которыми вы столкнетесь с синтаксисом и типами.

import org.apache.spark.sql.jdbc.{JdbcDialects, JdbcType, JdbcDialect}
import org.apache.spark.sql.jdbc.JdbcType
val SQLServerDialect = new JdbcDialect {
  override def canHandle(url: String): Boolean = url.startsWith("jdbc:jtds:sqlserver") || url.contains("sqlserver")

  override def getJDBCType(dt: DataType): Option[JdbcType] = dt match {
    case StringType => Some(JdbcType("VARCHAR(5000)", java.sql.Types.VARCHAR))
    case BooleanType => Some(JdbcType("BIT(1)", java.sql.Types.BIT))
    case IntegerType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case LongType => Some(JdbcType("BIGINT", java.sql.Types.BIGINT))
    case DoubleType => Some(JdbcType("DOUBLE PRECISION", java.sql.Types.DOUBLE))
    case FloatType => Some(JdbcType("REAL", java.sql.Types.REAL))
    case ShortType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case ByteType => Some(JdbcType("INTEGER", java.sql.Types.INTEGER))
    case BinaryType => Some(JdbcType("BINARY", java.sql.Types.BINARY))
    case TimestampType => Some(JdbcType("DATE", java.sql.Types.DATE))
    case DateType => Some(JdbcType("DATE", java.sql.Types.DATE))
    //      case DecimalType.Fixed(precision, scale) => Some(JdbcType("NUMBER(" + precision + "," + scale + ")", java.sql.Types.NUMERIC))
    case t: DecimalType => Some(JdbcType(s"DECIMAL(${t.precision},${t.scale})", java.sql.Types.DECIMAL))
    case _ => throw new IllegalArgumentException(s"Don't know how to save ${dt.json} to JDBC")
  }
}

JdbcDialects.registerDialect(SQLServerDialect)

Создайте простой набор данных, содержащий пять значений, и преобразуйте его intв stringтип:

val df = spark.range(5).select( col("id").cast("string") )

Я думаю, что это намного более читабельно для меня.

import org.apache.spark.sql.types._
df.withColumn("year", df("year").cast(IntegerType))

Это преобразует ваш столбец года в IntegerTypeсоздание временных столбцов и удаление этих столбцов. Если вы хотите преобразовать в любой другой тип данных, вы можете проверить типы внутри org.apache.spark.sql.typesпакета.

ответы, предлагающие использовать cast, FYI, метод cast в spark 1.4.1 не работает.

например, кадр данных со строковым столбцом, имеющим значение "8182175552014127960" при приведении к bigint, имеет значение "8182175552014128100"

    df.show
+-------------------+
|                  a|
+-------------------+
|8182175552014127960|
+-------------------+

    df.selectExpr("cast(a as bigint) a").show
+-------------------+
|                  a|
+-------------------+
|8182175552014128100|
+-------------------+

Нам пришлось столкнуться с множеством проблем, прежде чем найти эту ошибку, потому что у нас были колонки bigint в производстве.

df.select($"long_col".cast(IntegerType).as("int_col"))

Используя Spark Sql 2.4.0, вы можете сделать это:

spark.sql("SELECT STRING(NULLIF(column,'')) as column_string")

Вы можете использовать приведенный ниже код.

df.withColumn("year", df("year").cast(IntegerType))

Какой будет конвертировать год столбец в IntegerTypeколонке.

Этот метод удалит старый столбец и создаст новые столбцы с такими же значениями и новым типом данных. Мои оригинальные типы данных при создании DataFrame были: -

root
 |-- id: integer (nullable = true)
 |-- flag1: string (nullable = true)
 |-- flag2: string (nullable = true)
 |-- name: string (nullable = true)
 |-- flag3: string (nullable = true)

После этого я запустил следующий код, чтобы изменить тип данных: -

df=df.withColumnRenamed(<old column name>,<dummy column>) // This was done for both flag1 and flag3
df=df.withColumn(<old column name>,df.col(<dummy column>).cast(<datatype>)).drop(<dummy column>)

После этого мой результат оказался:

root
 |-- id: integer (nullable = true)
 |-- flag2: string (nullable = true)
 |-- name: string (nullable = true)
 |-- flag1: boolean (nullable = true)
 |-- flag3: boolean (nullable = true)

Можно изменить тип данных столбца, используя приведение в spark sql. имя таблицы - таблица, и она имеет только два столбца: столбец1 и столбец2 и тип данных столбца1 должны быть изменены. ex-spark.sql («выберите приведение (column1 как Double) column1NewName, column2 из таблицы») Вместо двойного запишите свой тип данных.

Если вам нужно переименовать десятки столбцов, заданных их именами, в следующем примере используется подход @dnlbrky и он применяется к нескольким столбцам одновременно:

df.selectExpr(df.columns.map(cn => {
    if (Set("speed", "weight", "height").contains(cn)) s"cast($cn as double) as $cn"
    else if (Set("isActive", "hasDevice").contains(cn)) s"cast($cn as boolean) as $cn"
    else cn
}):_*)

Неклассированные столбцы остаются без изменений. Все столбцы остаются в исходном порядке.

Так много ответов, а не так много подробных объяснений.

Следующий синтаксис работает с помощью Блокнота данных в Spark 2.4

from pyspark.sql.functions import *
df = df.withColumn("COL_NAME", to_date(BLDFm["LOAD_DATE"], "MM-dd-yyyy"))

Обратите внимание, что вы должны указать формат записи, который у вас есть (в моем случае «MM-dd-yyyy»), и импорт является обязательным, поскольку to_date является функцией spark sql.

Также попробовал этот синтаксис, но получил нулевые значения вместо правильного приведения:

df = df.withColumn("COL_NAME", df["COL_NAME"].cast("Date"))

(Обратите внимание, что я должен был использовать скобки и кавычки, чтобы это было синтаксически правильным)


PS: Я должен признать, что это похоже на синтаксические джунгли, есть много возможных путей входа, и в официальных ссылках API отсутствуют надлежащие примеры.

Другое решение заключается в следующем:

1) Держите "inferSchema" как ложное

2) Во время выполнения функций «Карта» в строке вы можете прочитать «asString» (row.getString ...)

//Read CSV and create dataset
Dataset<Row> enginesDataSet = sparkSession
            .read()
            .format("com.databricks.spark.csv")
            .option("header", "true")
            .option("inferSchema","false")
            .load(args[0]);

JavaRDD<Box> vertices = enginesDataSet
            .select("BOX","BOX_CD")
            .toJavaRDD()
            .map(new Function<Row, Box>() {
                @Override
                public Box call(Row row) throws Exception {
                    return new Box((String)row.getString(0),(String)row.get(1));
                }
            });

Почему бы просто не сделать, как описано в http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.Column.cast

df.select(df.year.cast("int"),"make","model","comment","blank")

    val fact_df = df.select($"data"(30) as "TopicTypeId", $"data"(31) as "TopicId",$"data"(21).cast(FloatType).as( "Data_Value_Std_Err")).rdd
    //Schema to be applied to the table
    val fact_schema = (new StructType).add("TopicTypeId", StringType).add("TopicId", StringType).add("Data_Value_Std_Err", FloatType)

    val fact_table = sqlContext.createDataFrame(fact_df, fact_schema).dropDuplicates()

По-другому:

// Generate a simple dataset containing five values and convert int to string type

val df = spark.range(5).select( col("id").cast("string")).withColumnRenamed("id","value")

В случае, если вы хотите изменить несколько столбцов одного типа на другой без указания имен отдельных столбцов

/* Get names of all columns that you want to change type. 
In this example I want to change all columns of type Array to String*/
    val arrColsNames = originalDataFrame.schema.fields.filter(f => f.dataType.isInstanceOf[ArrayType]).map(_.name)

//iterate columns you want to change type and cast to the required type
val updatedDataFrame = arrColsNames.foldLeft(originalDataFrame){(tempDF, colName) => tempDF.withColumn(colName, tempDF.col(colName).cast(DataTypes.StringType))}

//display

updatedDataFrame.show(truncate = false)