基于字段的唯一值在PySpark数据帧中生成UUID

Question

当前是否无法基于字段的唯一值在PySpark数据帧中生成UUID

我知道Pandas可以很容易地做我想要做的事情，但是如果我想实现基于特定列属性为pyspark数据帧的每一行提供唯一的UUID，我该怎么做呢

假设我有一个熊猫数据帧，如下所示：

df = pd.DataFrame({'Name': ['John Doe', 'Jane Smith', 'John Doe', 'Jane Smith','Jack Dawson','John Doe']})
df:
        Name
    0   John Doe
    1   Jane Smith
    2   John Doe
    3   Jane Smith
    4   Jack Dawson
    5   John Doe

如果名称相同，我想添加一个UUID相同的列。例如，上面的数据框应为：

df:
            Name        UUID
        0   John Doe    6d07cb5f-7faa-4893-9bad-d85d3c192f52
        1   Jane Smith  a709bd1a-5f98-4d29-81a8-09de6e675b56
        2   John Doe    6d07cb5f-7faa-4893-9bad-d85d3c192f52
        3   Jane Smith  a709bd1a-5f98-4d29-81a8-09de6e675b56
        4   Jack Dawson 6a495c95-dd68-4a7c-8109-43c2e32d5d42
        5   John Doe    6d07cb5f-7faa-4893-9bad-d85d3c192f52

import uuid

for name in df['Name'].unique():
    df.loc[df['Name'] == name, 'UUID'] = uuid.uuid4()

我试着到处搜索它，但找不到一个用PySpark做这件事的例子

Answer 1

您实际需要的是应用hash function。应用于相同值的哈希函数将始终输出相同的结果。另一方面，UUID是is simply a 128 bits integer，因此只需应用128位哈希函数并将结果解释为UUID。例如，MD5就是这样一个散列函数

import hashlib
import uuid

def compute_uuid(name: str) -> uuid.UUID:
    digest = hashlib.md5(name.encode()).digest()
    return uuid.UUID(bytes=digest)

assert compute_uuid('alice') != compute_uuid('bob')

您可以将此新函数应用于数据帧

df['UUID'] = [compute_uuid(name) for name in df['Name']]

应用于我得到的示例数据帧

          Name                                  UUID
0     John Doe  4c2a904b-afba-0659-1225-113ad17b5cec
1   Jane Smith  71768b5e-2a0b-3697-eb3c-0c6d4ebbbaf8
2     John Doe  4c2a904b-afba-0659-1225-113ad17b5cec
3   Jane Smith  71768b5e-2a0b-3697-eb3c-0c6d4ebbbaf8
4  Jack Dawson  ba4f82d8-ef72-6e37-eb87-e5c3b0dce9e3
5     John Doe  4c2a904b-afba-0659-1225-113ad17b5cec