Scala中的Spark分组映射UDF

Posted 2023-04-13

【中文标题】Scala中的Spark分组映射UDF

【英文标题】：Spark grouped map UDF in Scala

【发布时间】：2020-04-08 15:40:02

【问题描述】：

我正在尝试编写一些代码，以允许我对数据帧的一组行计算一些操作。在 PySpark 中，这可以通过定义 GROUPED_MAP 类型的 Pandas UDF 来实现。但是，在 Scala 中，我只找到了一种创建自定义聚合器 (UDAF) 或经典 UDF 的方法。

我的临时解决方案是生成一个对我的组进行编码的键列表，这将允许我过滤数据帧并对数据帧的每个子集执行我的操作。然而，这种方法不是最优的并且非常慢。 执行的动作是按顺序进行的，因此需要很多时间。我可以并行化循环，但我确信这会显示出任何改进，因为 Spark 已经分发。

有没有更好的方法来做我想做的事？

编辑：尝试使用 Futures 进行并行化，但没有像预期的那样提高速度

【参考方案1】：

据我所知，这在 Scala 中是不可能的。根据您的需要，我认为可能还有其他方法可以将转换应用于 Spark / Scala 中的一组行：

执行groupBy(...).agg(collect_list(<column_names>))，并使用对值数组进行操作的UDF。如果需要，您可以使用带有 explode(<array_column>) 的 select 语句恢复到原始格式 尝试使用窗口函数重写您想要实现的目标。您可以使用聚合表达式添加新列，如下所示：

import org.apache.spark.sql.expressions.Window
val w = Window.partitionBy('group)

val result = spark.range(100)
    .withColumn("group", pmod('id, lit(3)))
    .withColumn("group_sum", sum('id).over(w))