使用 ArrayType 列将 UDF 重写为 pandas udf

Posted 2023-04-13

技术标签:

【中文标题】使用 ArrayType 列将 UDF 重写为 pandas udf【英文标题】：Rewrite UDF to pandas udf with ArrayType column 【发布时间】：2020-11-22 23:14:38 【问题描述】：

我正在尝试将 UDF 重写为 pandas UDF。

但是，当涉及到其中包含 ArrayType 的列时。我正在努力寻找正确的解决方案。

我有一个如下的数据框：

+-----------+--------------------+
|      genre|                 ids|
+-----------+--------------------+
|      Crime|[6, 22, 42, 47, 5...|
|    Romance|[3, 7, 11, 15, 17...|
|   Thriller|[6, 10, 16, 18, 2...|
|  Adventure|[2, 8, 10, 15, 29...|
|   Children|[1, 2, 8, 13, 34,...|
|      Drama|[4, 11, 14, 16, 1...|
|        War|[41, 110, 151, 15...|
|Documentary|[37, 77, 99, 108,...|
|    Fantasy|[2, 56, 60, 126, ...|
|    Mystery|[59, 113, 123, 16...|
+-----------+--------------------+

以下 UDF 运行良好：

pairs_udf = udf(lambda x: itertools.combinations(x, 2), transformer.schema)
df = df.select("genre", pairs_udf("ids").alias("ids"))

输出如下：

+-----------+--------------------+
|      genre|                 ids|
+-----------+--------------------+
|      Crime|[[6, 22], [6, 42]...|
|    Romance|[[3, 7], [3, 11],...|
|   Thriller|[[6, 10], [6, 16]...|
|  Adventure|[[2, 8], [2, 10],...|
|   Children|[[1, 2], [1, 8], ...|
|      Drama|[[4, 11], [4, 14]...|
|        War|[[41, 110], [41, ...|
|Documentary|[[37, 77], [37, 9...|
|    Fantasy|[[2, 56], [2, 60]...|
|    Mystery|[[59, 113], [59, ...|
+-----------+--------------------+

但是，在pandas udf 中编写函数时，什么是等效的。

PS：我明白，或者，我可以使用交叉连接来实现相同的结果。

但是，我更好奇 pandas udf 如何处理带有 ArrayType 的列。

【问题讨论】：

可能类似于lambda row: row.apply(lambda x: itertools.combinations(x, 2)) 谢谢@mck，这是我的尝试之一。现在我认为我遇到的问题与

java.lang.UnsupportedOperationException: sun.misc.Unsafe or java.nio.DirectByteBuffer.&lt;init&gt;(long, int) not available

更相关。经过几次谷歌搜索，它似乎与 java 11 和 spark-arrow 支持有关。这可能属于一个单独的问题。 【参考方案1】：

我将在这里分享我的发现：

为了让 pandas udf 为您的项目工作，有 3 个方面：

1。 pandas UDF，或者更准确地说，Apache Arrow 不像常见的 udf 那样支持复杂类型。（截至`pyspark 3.0.1`，`pyarrow 2.0.0`）

例如：

ArrayType(StringType()) 受 pandas udf 支持。不支持ArrayType(StructType([...]))。您可以查看更多：https://spark.apache.org/docs/latest/sql-pyspark-pandas-with-arrow.html#supported-sql-types

2。如果您运行的是 Java 11，这是 (py)Spark 3 中的默认设置。您需要在 spark 配置中添加以下内容：

spark.driver.extraJavaOptions='-Dio.netty.tryReflectionSetAccessible=true'
spark.executor.extraJavaOptions='-Dio.netty.tryReflectionSetAccessible=true'

这将解决上面提到的java.lang.UnsupportedOperationException。