pyspark 数据框中是否有类似于 pandas.io.json.json_normalize

Question

我想执行类似于 pandas.io.json.json_normalize 的操作是 pyspark 数据帧。spark中是否有等效功能？https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.io.json.json_normalize.html

Answer 1

Spark 具有类似的功能explode()，但并不完全相同。

这是爆炸在非常高的水平上的工作方式。

>>> from pyspark.sql.functions import explode, col

>>> data = {'A': [1, 2]}

>>> df = spark.createDataFrame(data)

>>> df.show()

 +------+

 |     A|

 +------+

 |[1, 2]|

 +------+

>>> df.select(explode(col('A')).alias('normalized')).show()

+----------+

|normalized|

+----------+

|         1|

|         2|

+----------+

另一方面，您可以使用以下方法将 Spark DataFrame 转换为 Pandas DataFrame：

spark_df.toPandas() --> 利用 json_normalize() 然后恢复为 Spark DataFrame。

要恢复为 Spark DataFrame，您将使用spark.createDataFrame(pandas_df).

请注意，这种来回的解决方案并不理想，因为调用 toPandas() 会导致 DataFrame 的所有记录都被收集 (.collect()) 到驱动程序，并且在处理更大的数据集时可能会导致内存错误。

下面的链接提供了有关使用 toPandas() 的更多见解： DF.topandas() throwing error in pyspark

希望这会有所帮助，祝你好运！

Answer 2

PySpark中没有直接对应的json_normalize。但 Spark 提供了不同的选择。如果您在这样的 Dataframe 中有嵌套对象

one

|_a

|_..

two

|_b

|_..

您可以在 Spark 中选择子列，如下所示：

import pyspark

from pyspark.sql.session import SparkSession

spark = SparkSession.builder.appName("stackoverflow demo").getOrCreate()

columns = ['id', 'one', 'two']

vals = [

     (1, {"a": False}, {"b": True}),

     (2, {"a": True}, {"b": False})

]

df = spark.createDataFrame(vals, columns)

df.select("one.a", "two.b").show()

+-----+-----+

|    a|    b|

+-----+-----+

|false| true|

| true|false|

+-----+-----+

如果您使用此答案中的递归“展平”函数构建所有嵌套列的展平列表，那么我们将得到一个展平列结构：

columns = flatten(df.schema)

df.select(columns)