PySpark - Como transpor um Dataframe [duplicado]
Esta pergunta, já tem uma resposta aqui:
Como dinamizar o DataFrame? respostasQuero transpor um quadro de dados. Este é apenas um pequeno trecho do meu dataframe 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|
+---+-------+-------+-------+-------+
Não há função de transposição emPySpark
assim sendo. Uma maneira de obter o resultado necessário é criando 3dataframes
emclass1, class2 and class3
e depois ingressar left join
) eles. Mas isso pode envolver uma remodelação na rede, dependendo do particionador de hash, e é muito caro. Tenho certeza de que deve haver uma maneira elegante e simple
Saída esperada:
+---+-------+-------+-------+-------+-------+
| ID| Firm|Country| Class1| Class2| Class3|
+---+-------+-------+-------+-------+-------+
| 22|ABC Ltd| U.K.| 102| 73| 92|
| 51|Eric AB| Sweden| 52| 34| 11|
+---+-------+-------+-------+-------+-------+