PySpark：连接数据类型为“Struc”的两列 --> 错误：由于数据类型不匹配而无法解析

Question

我在 PySpark 中有一个数据表，其中包含数据类型为“struc”的两列。请参阅下面的示例数据框：word_verb                   word_noun{_1=cook, _2=VB}            {_1=chicken, _2=NN}{_1=pack, _2=VBN}           {_1=lunch, _2=NN}{_1=reconnected, _2=VBN}    {_1=wifi, _2=NN}我想将两列连接在一起，以便我可以对连接的动词和名词块进行频率计数。我试过下面的代码：df = df.withColumn('word_chunk_final', F.concat(F.col('word_verb'), F.col('word_noun')))  但我收到以下错误：AnalysisException: u"cannot resolve 'concat(`word_verb`, `word_noun`)' due to data type mismatch: input to function concat should have been string, binary or array, but it's [struct<_1:string,_2:string>, struct<_1:string,_2:string>]我想要的输出表如下。连接的新字段的数据类型为字符串：word_verb                   word_noun               word_chunk_final{_1=cook, _2=VB}            {_1=chicken, _2=NN}     cook chicken{_1=pack, _2=VBN}           {_1=lunch, _2=NN}       pack lunch{_1=reconnected, _2=VBN}    {_1=wifi, _2=NN}        reconnected wifi 

Answer 1

你的代码就快到了。

假设您的架构如下：

df.printSchema()

#root

# |-- word_verb: struct (nullable = true)

# |    |-- _1: string (nullable = true)

# |    |-- _2: string (nullable = true)

# |-- word_noun: struct (nullable = true)

# |    |-- _1: string (nullable = true)

# |    |-- _2: string (nullable = true)

您只需要访问_1每一列的字段值：

import pyspark.sql.functions as F

df.withColumn(

    "word_chunk_final", 

    F.concat_ws(' ', F.col('word_verb')['_1'], F.col('word_noun')['_1'])

).show()

#+-----------------+------------+----------------+

#|        word_verb|   word_noun|word_chunk_final|

#+-----------------+------------+----------------+

#|        [cook,VB]|[chicken,NN]|    cook chicken|

#|       [pack,VBN]|  [lunch,NN]|      pack lunch|

#|[reconnected,VBN]|   [wifi,NN]|reconnected wifi|

#+-----------------+------------+----------------+

此外，您应该使用concat_ws("concatenate with separator") 而不是concat将字符串添加在一起，并在它们之间留一个空格。它类似于str.join在 python 中的工作方式。