[解決済み] Spark DataFrameに定数カラムを追加する方法は？

質問

にカラムを追加したい。 DataFrame を任意の値（各行で同じ値）で指定します。を使用すると、エラーが発生します。 withColumn を以下のように設定します。

dt.withColumn('new_column', 10).head(5)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-50-a6d0257ca2be> in <module>()
      1 dt = (messages
      2     .select(messages.fromuserid, messages.messagetype, floor(messages.datetime/(1000*60*5)).alias("dt")))
----> 3 dt.withColumn('new_column', 10).head(5)

/Users/evanzamir/spark-1.4.1/python/pyspark/sql/dataframe.pyc in withColumn(self, colName, col)
   1166         [Row(age=2, name=u'Alice', age2=4), Row(age=5, name=u'Bob', age2=7)]
   1167         """
-> 1168         return self.select('*', col.alias(colName))
   1169 
   1170     @ignore_unicode_prefix

AttributeError: 'int' object has no attribute 'alias'

他の列の1つを足したり引いたりして（足すと0になるように）、欲しい数（この場合は10）を足せば、関数が思い通りに動作するように騙すことができるようです。

dt.withColumn('new_column', dt.messagetype - dt.messagetype + 10).head(5)

[Row(fromuserid=425, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=47019141, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=49746356, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=93506471, messagetype=1, dt=4809600.0, new_column=10),
 Row(fromuserid=80488242, messagetype=1, dt=4809600.0, new_column=10)]

これって最高にハチャメチャですよね？もっと合法的な方法があると思うのですが？

どのように解決するのですか？

Spark 2.2+

Spark 2.2の紹介 typedLit をサポートするために Seq , Map および Tuples ( SPARK-19254 ) と以下の呼び出しをサポートする必要があります (Scala)。

import org.apache.spark.sql.functions.typedLit

df.withColumn("some_array", typedLit(Seq(1, 2, 3)))
df.withColumn("some_struct", typedLit(("foo", 1, 0.3)))
df.withColumn("some_map", typedLit(Map("key1" -> 1, "key2" -> 2)))

Spark 1.3+ ( lit ), 1.4+ ( array , struct ), 2.0+ ( map ):

の第2引数は DataFrame.withColumn は Column ということで、リテラルを使わなければなりません。

from pyspark.sql.functions import lit

df.withColumn('new_column', lit(10))

複雑なカラムが必要な場合は、次のようなブロックを使って構築することができます。 array :

from pyspark.sql.functions import array, create_map, struct

df.withColumn("some_array", array(lit(1), lit(2), lit(3)))
df.withColumn("some_struct", struct(lit("foo"), lit(1), lit(.3)))
df.withColumn("some_map", create_map(lit("key1"), lit(1), lit("key2"), lit(2)))

Scalaでも全く同じメソッドが使えます。

import org.apache.spark.sql.functions.{array, lit, map, struct}

df.withColumn("new_column", lit(10))
df.withColumn("map", map(lit("key1"), lit(1), lit("key2"), lit(2)))

の名前を提供するために structs のどちらかを使用します。 alias を各フィールドに設定してください。

df.withColumn(
    "some_struct",
    struct(lit("foo").alias("x"), lit(1).alias("y"), lit(0.3).alias("z"))
 )

または cast オブジェクト全体に対して

df.withColumn(
    "some_struct", 
    struct(lit("foo"), lit(1), lit(0.3)).cast("struct<x: string, y: integer, z: double>")
 )

また、より遅いですが、UDFを使用することも可能です。

備考 :

同じ構文で、UDFやSQL関数に定数引数を渡すことができる。