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
您可以使用以下函数重命名数据框架的所有列。
def df_col_rename(X, to_rename, replace_with):
"""
:param X: spark dataframe
:param to_rename: list of original names
:param replace_with: list of new names
:return: dataframe with updated names
"""
import pyspark.sql.functions as F
mapping = dict(zip(to_rename, replace_with))
X = X.select([F.col(c).alias(mapping.get(c, c)) for c in to_rename])
return X
如果你只需要更新几个列名，你可以在replace_with列表中使用相同的列名
重命名所有列
df_col_rename(X,['a', 'b', 'c'], ['x', 'y', 'z'])
重命名一些列
df_col_rename(X,['a', 'b', 'c'], ['a', 'y', 'z'])
您可以放入for循环，并使用zip将两个数组中的每个列名配对。
new_name = ["id", "sepal_length_cm", "sepal_width_cm", "petal_length_cm", "petal_width_cm", "species"]
new_df = df
for old, new in zip(df.columns, new_name):
new_df = new_df.withColumnRenamed(old, new)
最接近df的表述。Columns = new_column_name_list为:
import pyspark.sql.functions as F
df = df.select(*[F.col(name_old).alias(name_new)
for (name_old, name_new)
in zip(df.columns, new_column_name_list)]
这并不需要任何很少使用的函数，并强调了一些在Spark中非常有用的模式。如果你发现这一行代码做了太多的事情，你也可以拆分这些步骤:
import pyspark.sql.functions as F
column_mapping = [F.col(name_old).alias(name_new)
for (name_old, name_new)
in zip(df.columns, new_column_name_list)]
df = df.select(*column_mapping)
