Comment puis-je utiliser collect_set
Ou collect_list
Sur une trame de données après groupby
. par exemple: df.groupby('key').collect_set('values')
. Je reçois une erreur: AttributeError: 'GroupedData' object has no attribute 'collect_set'
Vous devez utiliser agg. Exemple:
from pyspark import SparkContext
from pyspark.sql import HiveContext
from pyspark.sql import functions as F
sc = SparkContext("local")
sqlContext = HiveContext(sc)
df = sqlContext.createDataFrame([
("a", None, None),
("a", "code1", None),
("a", "code2", "name2"),
], ["id", "code", "name"])
df.show()
+---+-----+-----+
| id| code| name|
+---+-----+-----+
| a| null| null|
| a|code1| null|
| a|code2|name2|
+---+-----+-----+
Notez ci-dessus que vous devez créer un HiveContext. Voir https://stackoverflow.com/a/35529093/6904 pour traiter avec différentes versions Spark.
(df
.groupby("id")
.agg(F.collect_set("code"),
F.collect_list("name"))
.show())
+---+-----------------+------------------+
| id|collect_set(code)|collect_list(name)|
+---+-----------------+------------------+
| a| [code1, code2]| [name2]|
+---+-----------------+------------------+