如何在 PySpark 中安全拼接两个可能为 NULL 的数组列

本文介绍如何使用 pyspark 正确拼接两个类型为 `array>` 的列，当其中一列为 null 时避免整列结果变为 null，核心方案是用 `array()` 函数提供空数组默认值，而非空字符串。

在 PySpark 中，对 array 类型列执行 concat() 操作时，若任一输入列为 NULL，整个 concat() 表达式将返回 NULL —— 这是 Spark 的三值逻辑行为（NULL 参与运算结果仍为 NULL）。你无法直接用 lit("") 或空字符串作为 coalesce 的备选值，因为 coalesce() 要求所有参数类型严格一致：reference 是 array>，而 lit("") 是 string，类型不匹配会触发 DATATYPE_MISMATCH.DATA_DIFF_TYPES 错误。

✅ 正确做法是：使用 array() 函数生成一个空数组（类型与目标列完全一致），作为 coalesce 的默认值。array() 不带参数时返回空数组，且其类型可由上下文自动推断为与同组非空列一致的 array>。

以下是完整、可运行的解决方案：

from pyspark.sql import SparkSession
from pyspark.sql.functions import concat, coalesce, array, col

# 示例数据构建（可选，用于验证）
data = [
    (1, [{"key": "US", "timestamp": "2025-01-08"}], [{"key": "UK", "timestamp": "2025-01-08"}]),
    (2, [{"key": "US", "timestamp": "2025-01-08"}], None),
]
df = spark.createDataFrame(data, "id: int, country: array>, reference: array>")

# ✅ 关键修复：用 array() 提供类型兼容的空数组默认值
result_df = df.select(
    "id",
    concat(
        col("country"),
        coalesce(col("reference"), array())  # ← 正确！array() 返回空数组，类型自动匹配
    ).alias("concatenated_column")
)

result_df.show(truncate=False)

输出结果：

+---+---------------------------------------------+
|id |concatenated_column                          |
+---+---------------------------------------------+
|1  |[{US, 2025-01-01}, {UK, 2025-01-01}]         |
|2  |[{US, 2025-01-01}]                           |
+---+---------------------------------------------+

⚠️ 注意事项：

• array() 是类型安全的空数组构造器；切勿使用 lit([])（返回 array）或 lit(None)（类型不可推断）；
• 若字段含嵌套 timestamp 类型，请确保结构体定义中时间字段类型为 timestamp（如 struct），并用 to_timestamp() 预处理原始字符串；
• concat() 对数组列是横向拼接（union of elements），不是字符串连接，因此无需 cast 或 toString；
• 在较老 Spark 版本（>")。

总结：解决 concat 因 NULL

失效的核心在于「类型对齐」——coalesce 的备选项必须与原列同构。array() 是 PySpark 中唯一能零成本生成泛型空数组的函数，是处理 array 列 NULL 合并问题的标准实践。