Pyspark:访问 UDF 中行内的列
Posted
技术标签:
【中文标题】Pyspark:访问 UDF 中行内的列【英文标题】:Pyspark: Accessing a column within row in a UDF 【发布时间】:2019-08-16 08:17:27 【问题描述】:pyspark 的初学者试图理解 UDF:
我有一个 PySpark 数据框 p_b
,我通过传递数据框的所有行来调用 UDF。我想从行访问列debit
。出于某种原因,这没有发生。请在下面找到 sn-ps。
p_b has 4 columns, id, credit, debit,sum
功能:
def test(row):
return('123'+row['debit'])
转换为 UDF
test_udf=udf(test,IntegerType())
在数据帧 p_b
上调用 UDF
vals=test_udf(struct([p_b[x] for x in p_b.columns]))
print(type(vals))
print(vals)
输出
Column<b'test(named_struct(id, credit,debit,sum))'>
【问题讨论】:
您似乎正在尝试将“123”添加到数据框的每一行。不是吗? 您必须使用 with 列为您的数据框调用 udf,数据框列值必须作为参数传递。像这样定义你的函数。 def user_func(row): 返回行+123 my_func = udf(user_func, IntegerType()) newdf = df.withColumn('new_column',my_func(df.value)) 查看详情。 ***.com/questions/57517381/… 感谢 cmets。我试图将“123”添加到“借方”列的所有行 【参考方案1】:让我们先制作一个示例数据框:
from pyspark.sql.functions import *
from pyspark.sql.types import *
schema = StructType([StructField("id", StringType(), True),\
StructField("credit", IntegerType(), True),\
StructField("debit", IntegerType(), True),\
StructField("sum", IntegerType(), True)])
df = spark.createDataFrame([("user_10",100, 10,110),("user_11",200, 20,220),("user_12",300, 30,330) ], schema)
df.show()
导致:
+-------+------+-----+---+
| id|credit|debit|sum|
+-------+------+-----+---+
|user_10| 100| 10|110|
|user_11| 200| 20|220|
|user_12| 300| 30|330|
+-------+------+-----+---+
现在,让我们定义将 123 添加到传递给它的值的 udf:
def test(x):
return(123+x)
test_udf=udf(test,IntegerType())
让我们看看如何使用 UDF:
df2 = df.withColumn( 'debit' , test_udf(col('debit')) )
df2.show()
导致:
+-------+------+-----+---+
| id|credit|debit|sum|
+-------+------+-----+---+
|user_10| 100| 133|110|
|user_11| 200| 143|220|
|user_12| 300| 153|330|
+-------+------+-----+---+
请注意,现在您可能需要重新计算“sum”列:
df2 = df2.withColumn( 'sum' , col('debit')+col('credit') )
df2.show()
导致:
+-------+------+-----+---+
| id|credit|debit|sum|
+-------+------+-----+---+
|user_10| 100| 133|233|
|user_11| 200| 143|343|
|user_12| 300| 153|453|
+-------+------+-----+---+
【讨论】:
以上是关于Pyspark:访问 UDF 中行内的列的主要内容,如果未能解决你的问题,请参考以下文章
将 pyspark pandas_udf 与 AWS EMR 一起使用时出现“没有名为‘pandas’的模块”错误
如何在不使用 StandardScaler 的情况下标准化 PySpark 中的列?