将 PySpark 命令转换为自定义函数

Posted 2023-04-15

【中文标题】将 PySpark 命令转换为自定义函数

【英文标题】：Converting PySpark Commands into a Custom Function

【发布时间】：2018-08-09 23:40:20

【问题描述】：

我想知道是否可以将一系列 PySpark 命令打包到一个函数中，以便这样的函数获取一个数据帧并将它们应用于数据帧。我们在 Python 中做的事情。

例如，我有以下数据框：

sevents_df.show(5)

+-------+--------+-------------+----------------+------------+-----+
|Counter|Duration|StartTime    |TypeEnumeration |Floor_Number|Value|
+-------+--------+-------------+----------------+------------+-----+
|    1.0|    5460|1503067077370|UC_001          |         NaN|  NaN|
|    1.0|     322|1503067090480|UC_008          |         NaN|  NaN|
|    1.0|     990|1503067099300|UC_001          |         NaN|  NaN|
|    1.0|    5040|1503067396060|UC_001          |         NaN|  NaN|
|    1.0|    6090|1503067402150|UC_001          |         NaN|  NaN|
+-------+--------+-------------+----------------+------------+-----+

第一步。我要做的第一件事是过滤掉类型。我只是保留UC_001。

sevents_filter = sevents_df.filter(sevents_df['TypeEnumeration'].isin(['UC_001']) == True)

第 2 步。删除一些列：

columns_to_drop = ['Comments', 'Floor_Number', 'Value']
sevents_clean = sevents_filter.drop(*columns_to_drop)

第 3 步。将StartTime 转换为日期

def convert_to_seconds(x):
    return x/1000

udf_myFunction = udf(convert_to_seconds, IntegerType())
sevents2 = sevents2.withColumn("StartTime", udf_myFunction("StartTime"))
sevents4 = sevents2.withColumn('epoch',
                               f.date_format(sevents2.StartTime.cast(dataType=t.TimestampType()),"yyyy-MM-dd"))

我想把这三个步骤放在一个函数中，比如：

some udf pySpark_function(dataframe):
    step 1
    step 2
    step 3

我想这样做的原因是因为如果我有N 数据帧，我无法想象编写这些步骤N 次。

一种解决方案是将这些N 帧连接成一帧，然后将这一巨型帧通过这些步骤一次。有没有其他方法可以一次通过一帧？

【问题讨论】：

您还可以查看构建自定义管道变压器 - 请参阅 this post。

【参考方案1】：

UDF 用于处理数据框列中的值，不能用于处理整个数据框。相反，创建一个接受数据帧并返回已处理数据帧的普通方法。

def process_df(df):
    df = df.filter(df['TypeEnumeration'] == 'UC_001')

    columns_to_drop = ['Comments', 'Floor_Number', 'Value']
    df = df.drop(*columns_to_drop)

    df = df.withColumn('epoch', f.date_format((df.StartTime / 1000).cast(t.TimestampType()), "yyyy-MM-dd"))

    return df

然后简单地遍历所有数据帧并使用上述方法。

注意：我对代码做了一些简化。不需要isin，因为您只使用单个值进行过滤，并且不需要UDF 除以1000。如果可能，最好使用内置的Spark 函数而不是自定义UDF，它更快。