如何解决利用PySpark,确定一个数组列中的多少个元素包含在另一列中的数组中
我的数据集如下:
+--------------------+--------------------+
| col1| col2|
+--------------------+--------------------+
|[[563],[242,178]] | [563,178]|
|[[563],178]] | [563,178,242]|
|[[563],242,178]] | [242,563]|
+--------------------+--------------------+
我想做的是确定 col1 中包含 col2 中的按顺序的值。 col1 中的顺序仅在顶级阵列上起作用,而在较低级别的阵列上无关紧要。
例如,上述数据框的输出应为:
+--------------------+--------------------|------+
| col1| col2|Output+
+--------------------+--------------------+------+
|[[563],178]| 2+
|[[563],242]| 3+
|[[563],178]| 3+
|[[563],563]| 2+
+--------------------+--------------------+------+
我相当确定这需要UDF,但是我在如何遍历col1中的子数组方面苦苦挣扎。
任何帮助将不胜感激!
喷枪
解决方法
从 spark-2
。4 中使用 array_intersect
函数和flatten
函数,然后使用{ {1}}功能。
size
Example:
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。