如何在PySpark中更改数据帧列名?

我来自熊猫的背景，我习惯了从CSV文件读取数据到一个dataframe，然后简单地改变列名使用简单的命令有用的东西:

df.columns = new_column_name_list

然而，这在使用sqlContext创建的PySpark数据框架中是行不通的。我能想到的唯一解决办法是:

df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', inferschema='true', delimiter='\t').load("data.txt")
oldSchema = df.schema
for i,k in enumerate(oldSchema.fields):
  k.name = new_column_name_list[i]
df = sqlContext.read.format("com.databricks.spark.csv").options(header='false', delimiter='\t').load("data.txt", schema=oldSchema)

这基本上是定义变量两次，首先推断模式，然后重命名列名，然后用更新的模式再次加载数据框架。

有没有更好更有效的方法来做到这一点，就像我们对熊猫做的那样?

我的Spark版本是1.5.0

当前回答

你可以使用'alias'来更改列名:

col('my_column').alias('new_name')

另一种使用'alias'的方式(可能没有提到):

df.my_column.alias('new_name')

2021-09-01 15:30:43

其他回答

如果你想对所有列名应用一个简单的转换，这段代码可以做到:(我用下划线替换所有空格)

new_column_name_list= list(map(lambda x: x.replace(" ", "_"), df.columns))

df = df.toDF(*new_column_name_list)

感谢@user8117731的toDf技巧。

2018-04-13 15:17:41

如果你想重命名一个列，并保持其他列不变:

from pyspark.sql.functions import col
new_df = old_df.select(*[col(s).alias(new_name) if s == column_to_change else s for s in old_df.columns])

2017-01-15 15:22:33

df。withColumnRenamed(“年龄”、“age2”)

2018-06-28 14:49:43

你可以使用多种方法:

df1 = df . withColumn(“new_column”、“old_column)。放下坳(old_column”) df1 = df . withColumn(“new_column”、“old_column”) 选择(“old_column df1 = df。别名(new_column”)

2020-10-10 06:14:38

方法1:

df = df.withColumnRenamed("old_column_name", "new_column_name")

方法2: 如果你想做一些计算并重命名新值

df = df.withColumn("old_column_name", F.when(F.col("old_column_name") > 1, F.lit(1)).otherwise(F.col("old_column_name"))
df = df.drop("new_column_name", "old_column_name")

2020-12-15 13:45:49

如何在PySpark中更改数据帧列名?

推荐文章

最新文章

标签