PySpark - Cómo transponer un Dataframe [duplicado]
Esta búsqueda, ya tiene una respuesta aquí:
¿Cómo pivotar DataFrame? 6 respuestasQuiero transponer un marco de datos. Este es solo un pequeño extracto de mi marco de datos original:
from pyspark.sql.functions import to_timestamp, date_format
valuesCol = [('22','ABC Ltd','U.K.','class 1',102),('22','ABC Ltd','U.K.','class 2',73),('22','ABC Ltd','U.K.','class 3',92),
('51','Eric AB','Sweden','class 1',52),('51','Eric AB','Sweden','class 2',34),('51','Eric AB','Sweden','class 3',11)]
df = sqlContext.createDataFrame(valuesCol,['ID','Firm','Country','Class','Revenue'])
df.show()
+---+-------+-------+-------+-------+
| ID| Firm|Country| Class|Revenue|
+---+-------+-------+-------+-------+
| 22|ABC Ltd| U.K.|class 1| 102|
| 22|ABC Ltd| U.K.|class 2| 73|
| 22|ABC Ltd| U.K.|class 3| 92|
| 51|Eric AB| Sweden|class 1| 52|
| 51|Eric AB| Sweden|class 2| 34|
| 51|Eric AB| Sweden|class 3| 11|
+---+-------+-------+-------+-------+
No hay función de transposición enPySpark
como tal. Una forma de lograr el resultado requerido es creando 3dataframes
enclass1, class2 and class3
y luego unirse left join
) ellos. Pero eso podría implicar una reorganización en la red, dependiendo del particionador hash, y es muy costoso. Estoy seguro de que debería haber una manera elegante y sencilla.
Rendimiento esperado
+---+-------+-------+-------+-------+-------+
| ID| Firm|Country| Class1| Class2| Class3|
+---+-------+-------+-------+-------+-------+
| 22|ABC Ltd| U.K.| 102| 73| 92|
| 51|Eric AB| Sweden| 52| 34| 11|
+---+-------+-------+-------+-------+-------+