Spark 根据现有列的映射值创建新列

Posted 2023-04-13

【中文标题】Spark 根据现有列的映射值创建新列

【英文标题】：Spark creating a new column based on a mapped value of an existing column

【发布时间】：2019-06-24 22:09:20

【问题描述】：

我正在尝试将我的数据框中的一列的值映射到一个新值并使用 UDF 将其放入一个新列中，但我无法让 UDF 接受一个不是列的参数.例如我有一个这样的数据框dfOriginial：

+-----------+-----+
|high_scores|count|
+-----------+-----+
|          9|    1|
|         21|    2|
|         23|    3|
|          7|    6|
+-----------+-----+

我正在尝试了解数值所在的 bin，因此我可以构建一个 bin 列表，如下所示：

case class Bin(binMax:BigDecimal, binWidth:BigDecimal) 
    val binMin = binMax - binWidth

    // only one of the two evaluations can include an  "or=", otherwise a value could fit in 2 bins
    def fitsInBin(value: BigDecimal): Boolean = value > binMin && value <= binMax

    def rangeAsString(): String = 
        val sb = new StringBuilder()
        sb.append(trimDecimal(binMin)).append(" - ").append(trimDecimal(binMax))
        sb.toString()
    

然后我想像这样转换我的旧数据框以制作dfBin：

+-----------+-----+---------+
|high_scores|count|bin_range|
+-----------+-----+---------+
|          9|    1| 0 - 10  |
|         21|    2| 20 - 30 |
|         23|    3| 20 - 30 |
|          7|    6| 0 - 10  |
+-----------+-----+---------+

这样我就可以通过调用.groupBy("bin_range").count() 来最终获得垃圾箱实例的计数。

我正在尝试通过使用带有 UDF 的 withColumn 函数来生成 dfBin。

这是我尝试使用的 UDF 代码：

val convertValueToBinRangeUDF = udf((value:String, binList:List[Bin]) => 
    val number = BigDecimal(value)
    val bin = binList.find( bin => bin.fitsInBin(number)).getOrElse(Bin(BigDecimal(0), BigDecimal(0)))
    bin.rangeAsString()
)

val binList = List(Bin(10, 10), Bin(20, 10), Bin(30, 10), Bin(40, 10), Bin(50, 10))

val dfBin = dfOriginal.withColumn("bin_range", convertValueToBinRangeUDF(col("high_scores"), binList))

但它给了我一个类型不匹配：

Error:type mismatch;
 found   : List[Bin]
 required: org.apache.spark.sql.Column
        val valueCountsWithBin = valuesCounts.withColumn(binRangeCol, convertValueToBinRangeUDF(col(columnName), binList))

看到 UDF 的定义让我觉得它应该可以很好地处理转换，但显然不是，有什么想法吗？

【参考方案1】：

问题是UDF 的参数都应该是列类型。一种解决方案是将binList 转换为一列并将其传递给UDF，类似于当前代码。

不过，稍微调整一下UDF，将其变成def，会更简单。这样就可以方便的传递其他非列类型的数据了：

def convertValueToBinRangeUDF(binList: List[Bin]) = udf((value:String) => 
  val number = BigDecimal(value)
  val bin = binList.find( bin => bin.fitsInBin(number)).getOrElse(Bin(BigDecimal(0), BigDecimal(0)))
  bin.rangeAsString()
)

用法：

val dfBin = valuesCounts.withColumn("bin_range", convertValueToBinRangeUDF(binList)($"columnName"))

【讨论】：

这行得通，只需添加评论，当在withColumn 调用中调用它时，它必须被柯里化：val dfBin = valuesCounts.withColumn("bin_range", convertValueToBinRangeUDF(binList)(valuesCounts.col(columnName)))

@NateH06：啊，是的，我忘了提这个。我在答案中添加了您的使用代码。

【参考方案2】：

试试这个 -

scala> case class Bin(binMax:BigDecimal, binWidth:BigDecimal) 
     |     val binMin = binMax - binWidth
     |
     |     // only one of the two evaluations can include an  "or=", otherwise a value could fit in 2 bins
     |     def fitsInBin(value: BigDecimal): Boolean = value > binMin && value <= binMax
     |
     |    def rangeAsString(): String = 
     |       val sb = new StringBuilder()
     |       sb.append(binMin).append(" - ").append(binMax)
     |       sb.toString()
     |     
     | 
defined class Bin


scala> val binList = List(Bin(10, 10), Bin(20, 10), Bin(30, 10), Bin(40, 10), Bin(50, 10))
binList: List[Bin] = List(Bin(10,10), Bin(20,10), Bin(30,10), Bin(40,10), Bin(50,10))


scala> spark.udf.register("convertValueToBinRangeUDF", (value: String) => 
     |     val number = BigDecimal(value)
     |     val bin = binList.find( bin => bin.fitsInBin(number)).getOrElse(Bin(BigDecimal(0), BigDecimal(0)))
     |     bin.rangeAsString()
     | )
res13: org.apache.spark.sql.expressions.UserDefinedFunction = UserDefinedFunction(<function1>,StringType,Some(List(StringType)))


//-- Testing with one record

scala> val dfOriginal = spark.sql(s""" select "9" as `high_scores`, "1" as count """)
dfOriginal: org.apache.spark.sql.DataFrame = [high_scores: string, count: string]


scala> dfOriginal.createOrReplaceTempView("dfOriginal")

scala> val dfBin = spark.sql(s"""  select high_scores, count, convertValueToBinRangeUDF(high_scores) as bin_range from dfOriginal """)
dfBin: org.apache.spark.sql.DataFrame = [high_scores: string, count: string ... 1 more field]

scala> dfBin.show(false)
+-----------+-----+---------+
|high_scores|count|bin_range|
+-----------+-----+---------+
|9          |1    |0 - 10   |
+-----------+-----+---------+

希望这会有所帮助。

【讨论】：

这很好，但我应该指定，binList 是动态的，需要作为参数传递给 UDF，而不是硬编码，这让我感到困惑。

我编辑了我的帖子。 binList 可以在注册 udf 之前在 udf 之外声明。您可以通过这种方式保持 binList 动态。此外，您可以决定是否要从某个文件或配置单元表中填充 binList 以控制来自外部代码的范围值。