Scala：可变参数 UDF

Posted 2023-04-13

【中文标题】Scala：可变参数 UDF

【英文标题】：Scala: variadic UDF

【发布时间】：2016-10-28 14:19:22

【问题描述】：

我有一个包含很多列的 DataFrame。 我也有功能

def getFeatureVector(features:Array[String]) : Vector

这相当复杂，但需要一些字符串并返回 spark MLlib 向量。

现在，我想查看 DF 中的一些列（我事先不知道是哪一列），将它们传递给 getFeatureVector，然后添加一个包含结果向量的新列。

我可以访问我想要使用的列的数组，并且我编写了一个将其转换为字符串的函数，并创建了一个数组列：

val colNamesToEncode = Array("col1", "col2", "col3", "col4")
def getColsToEncode:Column = 
    val cols = colNamesToEncode.map(x => col(x).cast("string"))
    array(cols:_*)

最后，我尝试制作一个 udf 并将其应用于 DF：

val encoderUDF = udf(getFeatureVector _)
val cols = getColsToEncode()
data.withColumn(featuresColName,encoderUDF(cols))

但是当我运行它时，我得到 java.lang.RuntimeException: Unsupported literal type class scala.runtime.BoxedUnit ()

如何向 DF 申请函数？

PS：我在编写代码时使用此答案 (Spark UDF with varargs) 作为指南。

【参考方案1】：

只需从下面的行中删除()，即可解决错误。

来自val cols = getColsToEncode()

到

val cols = getColsToEncode

【参考方案2】：

可以直接将函数传入udf函数。

val colNamesToEncode = Array("col1", "col2", "col3", "col4")
def getColsToEncode:Column = 
val cols = colNamesToEncode.map(x => col(x).cast("string"))
array(cols:_*)


val encoderUDF = udf(getFeatureVector _)
data.withColumn(featuresColName,encoderUDF(getColsToEncode))