将多行结构化流式传输到 pandas udf
Posted
技术标签:
【中文标题】将多行结构化流式传输到 pandas udf【英文标题】:Structured streaming multiple row to pandas udf 【发布时间】:2019-12-06 12:35:51 【问题描述】:我正在编写一个从 eventthubs 接收数据的结构化流作业。 经过一些准备后,我在每一行上应用 pandas_udf 函数来创建一个新列,其中包含来自泡菜模型的预测。
我遇到了一个严重的问题:有时 pandas_udf 的输入是一组行而不是单行(如预期的那样)。这导致我出错:
RuntimeError: Result vector from pandas_udf was not the required length: expected 2, got 1
发生这种情况是因为 pandas_udf 接收到多行(在本例中为 2)。
这怎么可能? .withColumn 不应该在每一行上逐行执行吗?
这是我的代码:
dfInt = spark \
.readStream \
.load() \
.selectExpr("cast (body as string) as json") \
.select(from_json("json",schema).alias("data")) \
.withColumn("k", expr("uuid()")) \
.select("key", explode("data.features").alias("feat")) \
.select("feat.*", "key") \
.groupBy("k") \
.agg(*expressions) \
.drop("k") \
.na.drop() \
.withColumn("prediction", predict( (F.struct([col(x) for x in (features)]))))
pandas_udf 如下:
@pandas_udf(FloatType())
def predict(x):
return pd.Series(pickle_model.predict_proba(x)[0][1])
实际上问题似乎出现在使用 udf 的 withColumn 调用之前,因为更多行来自上一步。 groupBy 聚合返回一个单数行,因为我创建 group by 的键是唯一的。
你知道这是什么原因吗?
【问题讨论】:
【参考方案1】:在这种情况下,您使用的是 SCALAR pandas_udf
,它将 pandas 系列作为输入并返回相同大小的 pandas.Series
。我不知道内部的确切细节,但我的理解是每个执行程序会将您的列 (F.struct([col(x) for x in (features)])
) 转换为执行程序当前正在处理的 Dataframe 分区的pandas.Series
并将该函数应用于系列。一个分区由许多行组成,因此您不能假设该系列的长度仅为 1。您需要确保保留所有行的所有预测概率。您可能可以这样做(假设您确实只对保持第 1 类的概率感兴趣):
@pandas_udf(FloatType())
def predict(x):
return pd.Series(pickle_model.predict_proba(x)[:,1])
【讨论】:
以上是关于将多行结构化流式传输到 pandas udf的主要内容,如果未能解决你的问题,请参考以下文章