[*]Te recomendamos que revises esta respuesta en un entorno controlado antes de pasarlo a producción, un saludo.
Solución:
[*]Con Scala puedes usar:
import org.apache.spark.sql.functions._
df.withColumn("id",monotonicallyIncreasingId)
[*]Puede consultar este ejemplo y Scala docs.
[*]Con Pyspark puedes usar:
from pyspark.sql.functions import monotonically_increasing_id
df_index = df.select("*").withColumn("id", monotonically_increasing_id())
[*]monótonamente_creciente_id – Se garantiza que el ID generado será monotónicamente creciente y único, pero no consecutivo.
[*]“Quiero agregar una columna del 1 al número de la fila”.
[*]Digamos que tenemos el siguiente DF
+--------+-------------+-------+ | userId | productCode | count | +--------+-------------+-------+ | 25 | 6001 | 2 | | 11 | 5001 | 8 | | 23 | 123 | 5 | +--------+-------------+-------+
[*]Para generar los IDs a partir de 1
val w = Window.orderBy("count")
val result = df.withColumn("index", row_number().over(w))
[*]Esto agregaría una columna de índice ordenada por valor creciente de conteo.
+--------+-------------+-------+-------+ | userId | productCode | count | index | +--------+-------------+-------+-------+ | 25 | 6001 | 2 | 1 | | 23 | 123 | 5 | 2 | | 11 | 5001 | 8 | 3 | +--------+-------------+-------+-------+
[*]NOTA : Los enfoques anteriores no dan un número de secuencia, pero sí dan una identificación creciente.
[*]Una forma sencilla de hacerlo y asegurarse de que el orden de los índices sea como se muestra a continuación. zipWithIndex.
[*]Data de muestra.
+-------------------+
| Name|
+-------------------+
| Ram Ghadiyaram|
| Ravichandra|
| ilker|
| nick|
| Naveed|
| Gobinathan SP|
|Sreenivas Venigalla|
| Jackela Kowski|
| Arindam Sengupta|
| Liangpi|
| Omar14|
| anshu kumar|
+-------------------+
package com.example
import org.apache.spark.internal.Logging
import org.apache.spark.sql.SparkSession._
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.LongType, StructField, StructType
import org.apache.spark.sql.DataFrame, Row
/**
* DistributedDataIndex : Program to index an RDD with
*/
object DistributedDataIndex extends App with Logging
val spark = builder
.master("local[*]")
.appName(this.getClass.getName)
.getOrCreate()
import spark.implicits._
val df = spark.sparkContext.parallelize(
Seq("Ram Ghadiyaram", "Ravichandra", "ilker", "nick"
, "Naveed", "Gobinathan SP", "Sreenivas Venigalla", "Jackela Kowski", "Arindam Sengupta", "Liangpi", "Omar14", "anshu kumar"
)).toDF("Name")
df.show
logInfo("addColumnIndex here")
// Add index now...
val df1WithIndex = addColumnIndex(df)
.withColumn("monotonically_increasing_id", monotonically_increasing_id)
df1WithIndex.show(false)
/**
* Add Column Index to dataframe to each row
*/
def addColumnIndex(df: DataFrame) =
spark.sqlContext.createDataFrame(
df.rdd.zipWithIndex.map
case (row, index) => Row.fromSeq(row.toSeq :+ index)
,
// Create schema for index column
StructType(df.schema.fields :+ StructField("index", LongType, false)))
[*]resultado :
+-------------------+-----+---------------------------+
|Name |index|monotonically_increasing_id|
+-------------------+-----+---------------------------+
|Ram Ghadiyaram |0 |0 |
|Ravichandra |1 |8589934592 |
|ilker |2 |8589934593 |
|nick |3 |17179869184 |
|Naveed |4 |25769803776 |
|Gobinathan SP |5 |25769803777 |
|Sreenivas Venigalla|6 |34359738368 |
|Jackela Kowski |7 |42949672960 |
|Arindam Sengupta |8 |42949672961 |
|Liangpi |9 |51539607552 |
|Omar14 |10 |60129542144 |
|anshu kumar |11 |60129542145 |
+-------------------+-----+---------------------------+
[*]