Scala Spark 在数据帧和数据集中以不同方式处理 Double.NaN

Posted

技术标签:

【中文标题】Scala Spark 在数据帧和数据集中以不同方式处理 Double.NaN【英文标题】:Scala Spark handles Double.NaN differently in dataframe and dataset 【发布时间】:2021-01-01 23:12:09 【问题描述】:

在测试中,我正在尝试将数据帧/数据集转换为集合并进行比较。例如

actualResult.collect.toSet should be(expectedResult.collect.toSet)

我注意到一些关于 Double.NaN 价值的事实。

    在 Scala 中,Double.NaN == Double.NaN 返回 false。 在火花中NaN == NaN 是真的。 (offical doc)

但我无法弄清楚为什么数据框和数据集的行为不同

import org.apache.spark.sql.SparkSession

object Main extends App 
  val spark = SparkSession.builder().appName("Example").master("local").getOrCreate()
  import spark.implicits._

  val dataSet = spark.createDataset(Seq(Book("book 1", Double.NaN)))

  // Compare Set(Book(book 1,NaN)) to itself
  println(dataSet.collect.toSet == dataSet.collect.toSet) //false, why?

  // Compare Set([book 1,NaN]) to itself
  println(dataSet.toDF().collect.toSet == dataSet.toDF().collect.toSet) //true, why?


case class Book (title: String, price: Double)

这是我的问题。欣赏任何见解。

    它在代码中是如何发生的? (equals 在哪里被覆盖?等等) 这种设计背后有什么原因吗?是否有更好的范例来在测试中断言数据集/数据框?

【问题讨论】:

【参考方案1】:

关于这个话题,我有几点想分享。

    当您执行 dataSet.collect.toSet 时,您将其收集为 Set[Book],并且当您在两组图书对象之间进行比较时。

单个(书)对象相等方法用于您在Book Case类中定义的比较。 这就是为什么 println(dataSet.collect.toSet == dataSet.collect.toSet) 返回 false 的原因,因为 Double.NaN == Double.NaN returns false

    当您执行dataSet.toDF().collect.toSet 时,您将其收集为Set[Row]

当您执行 toDF 时,spark 将转换**(即序列化 Book 然后反序列化为 javaType 字段 Row)** Book 类为 Row在此过程中,它还使用RowEncoders 对字段进行一些转换。

使用 RowEncoder.scala 中的以下代码将所有 Primitive 字段转换为 java 类型

def apply(schema: StructType): ExpressionEncoder[Row] = 
    val cls = classOf[Row]
    **val inputObject = BoundReference(0, ObjectType(cls), nullable = true)
    val serializer = serializerFor(AssertNotNull(inputObject, Seq("top level row object")), schema)
    val deserializer = deserializerFor(schema)**
    new ExpressionEncoder[Row](
      schema,
      flat = false,
      serializer.asInstanceOf[CreateNamedStruct].flatten,
      deserializer,
      ClassTag(cls))
  

如果你查看Double.java和Float.java相等方法的源代码。 NAN 的比较将返回 true。这就是 Row 对象比较将返回 true 的原因。 println(dataSet.toDF().collect.toSet == dataSet.toDF().collect.toSet) 是真的。

<li>If @code d1 and @code d2 both represent
     *     @code Double.NaN, then the @code equals method
     *     returns @code true, even though
     *     @code Double.NaN==Double.NaN has the value
     *     @code false.
     * <li>If @code d1 represents @code +0.0 while
     *     @code d2 represents @code -0.0, or vice versa,
     *     the @code equal test has the value @code false,
     *     even though @code +0.0==-0.0 has the value @code true.
     * </ul>

**对不起,如果我语法错误。

【讨论】:

以上是关于Scala Spark 在数据帧和数据集中以不同方式处理 Double.NaN的主要内容,如果未能解决你的问题,请参考以下文章

Spark MultilayerPerceptronClassifier Scala实现例子及优化算法理解

在 Spark Scala 中向数据集添加过滤条件

Spark SQL - “包含”功能的替代方案

使用 Java 在 Apache Spark 中从数据集中复制一行 n 次

火花连接数据帧和合并模式

Spark:数据帧聚合(Scala)