将 UDF 应用于 spark 2.0 中的 SparseVector 列

Posted 2023-04-13

【中文标题】将 UDF 应用于 spark 2.0 中的 SparseVector 列

【英文标题】：Apply UDF to SparseVector column in spark 2.0

【发布时间】：2016-10-10 20:10:05

【问题描述】：

我正在尝试将 UDF 应用于 PySpark df 中包含 SparseVectors 的列（使用 pyspark.ml.feature.IDF 创建）。最初，我试图应用一个更复杂的功能，但在任何应用功能时都会遇到同样的错误。所以举个例子：

udfSum = udf(lambda x: np.sum(x.values), FloatType()) 
df = df.withColumn("vec_sum", udfSum(df.idf)) 
df.take(10) 

我收到此错误：

Py4JJavaError: An error occurred while calling 
z:org.apache.spark.sql.execution.python.EvaluatePython.takeAndServe. 
: org.apache.spark.SparkException: Job aborted due to stage failure: 
Task 0 in stage 55.0 failed 4 times, most recent failure: Lost task 0.3 
in stage 55.0 (TID 111, 10.0.11.102): net.razorvine.pickle.PickleException:
expected zero arguments for construction of ClassDict (for numpy.dtype)

如果我将 df 转换为 Pandas 并应用该函数，我可以确认 FloatType() 是正确的响应类型。这可能是相关的，但错误是不同的：Issue with UDF on a column of Vectors in PySpark DataFrame。

谢谢！

【参考方案1】：

将输出转换为float:

udf(lambda x: float(np.sum(x.values)), FloatType()) 

【讨论】：

工作就像一个魅力！