Si la estructura es plana:
val df = Seq((1L, "a", "foo", 3.0)).toDF
df.printSchema
lo más simple que puedes hacer es usar el toDF
método:
val newNames = Seq("id", "x1", "x2", "x3")
val dfRenamed = df.toDF(newNames: _*)
dfRenamed.printSchema
Si desea cambiar el nombre de columnas individuales, puede usar select
con alias
:
df.select($"_1".alias("x1"))
que se puede generalizar fácilmente a varias columnas:
val lookup = Map("_1" -> "foo", "_3" -> "bar")
df.select(df.columns.map(c => col(c).as(lookup.getOrElse(c, c))): _*)
o bien withColumnRenamed
:
df.withColumnRenamed("_1", "x1")
que usan con foldLeft
para cambiar el nombre de varias columnas:
lookup.foldLeft(df)((acc, ca) => acc.withColumnRenamed(ca._1, ca._2))
Con estructuras anidadas ( structs
), una opción posible es cambiar el nombre seleccionando una estructura completa:
val nested = spark.read.json(sc.parallelize(Seq(
"""{"foobar": {"foo": {"bar": {"first": 1.0, "second": 2.0}}}, "id": 1}"""
)))
nested.printSchema
@transient val foobarRenamed = struct(
struct(
struct(
$"foobar.foo.bar.first".as("x"), $"foobar.foo.bar.first".as("y")
).alias("point")
).alias("location")
).alias("record")
nested.select(foobarRenamed, $"id").printSchema
Tenga en cuenta que puede afectar a los nullability
metadatos. Otra posibilidad es cambiar el nombre lanzando:
nested.select($"foobar".cast(
"struct<location:struct<point:struct<x:double,y:double>>>"
).alias("record")).printSchema
o:
import org.apache.spark.sql.types._
nested.select($"foobar".cast(
StructType(Seq(
StructField("location", StructType(Seq(
StructField("point", StructType(Seq(
StructField("x", DoubleType), StructField("y", DoubleType)))))))))
).alias("record")).printSchema