如何在 pyspark 中使用 pandas UDF 并在 StructType 中返回结果

Posted 2023-04-15

【中文标题】如何在 pyspark 中使用 pandas UDF 并在 StructType 中返回结果

【英文标题】：How to use pandas UDF in pyspark and return result in StructType

【发布时间】：2019-02-22 16:48:58

【问题描述】：

如何在 pyspark 中驱动基于 panda-udf 的列。我写的 udf 如下：

from pyspark.sql.functions import pandas_udf, PandasUDFType

@pandas_udf("in_type string, in_var string, in_numer int", PandasUDFType.GROUPED_MAP)

def getSplitOP(in_data):
    if in_data is None or len(in_data) < 1:
        return None
    #Input/variable.12-2017
    splt=in_data.split("/",1)
    in_type=splt[0]

    splt_1=splt[1].split(".",1)
    in_var = splt_1[0]

    splt_2=splt_1[1].split("-",1)
    in_numer=int(splt_2[0])

    return (in_type, in_var, in_numer)
    #Expected output: ("input", "variable", 12)

df = df.withColumn("splt_col", getSplitOP(df.In_data))

谁能帮我找出上面的代码有什么问题，以及为什么它不起作用。

【问题讨论】：

查看执行此代码的结果可能很有用。

为什么在这里使用 pandas udf？您可以使用常规 udf 甚至使用标准 API 函数来执行此操作。

我在寻找 pandas udf，因为它们比普通 udf 快。所以我一直在寻找他们的实现。

我相信 pandas udf 比普通 udf 更快。

【参考方案1】：

这将起作用：

df = spark.createDataFrame([("input/variable.12-2017",), ("output/invariable.11-2018",)], ("in_data",))
df.show()

from pyspark.sql.functions import pandas_udf, PandasUDFType

@pandas_udf("in_type string, in_var string, in_numer int", PandasUDFType.GROUPED_MAP)
def getSplitOP(pdf):
    in_data = pdf.in_data

    #Input/variable.12-2017
    splt = in_data.apply(lambda x: x.split("/",1))
    in_type = splt.apply(lambda x: x[0])

    splt_1 = splt.apply(lambda x: x[1].split(".",1))
    in_var = splt_1.apply(lambda x: x[0])

    splt_2 = splt_1.apply(lambda x: x[1].split("-",1))
    in_numer = splt_2.apply(lambda x: int(x[0]))

    return pd.DataFrame("in_type": in_type, "in_var": in_var, "in_numer": in_numer)
    #Expected output: ("input", "variable", 12)

df = df.groupBy().apply(getSplitOP)
df.show()

@pandas_udf 后面不能有空行。 pandas Series 对象不直接支持 split 等字符串函数。使用 apply 对每个系列进行元素操作。 您使用 GROUPED_MAP 来返回多个列，但您的代码本身并没有按任何内容分组。请注意，此处使用的 groupBy 没有任何参数。这要求所有数据都适合单个处理器。