如何将UDF函数的返回值保存到两列？

Posted 2023-04-15

【中文标题】如何将UDF函数的返回值保存到两列？

【英文标题】：How to save the returned values of UDF function into two columns?

【发布时间】：2018-09-09 16:23:38

【问题描述】：

我的函数get_data 返回一个元组：两个整数值。

get_data_udf = udf(lambda id: get_data(spark, id), (IntegerType(), IntegerType()))

我需要将它们分成两列val1 和val2。我该怎么做？

dfnew = df \
    .withColumn("val", get_data_udf(col("id")))

我是否应该将元组保存在列中，例如val，然后以某种方式将其拆分为两列。或者有没有更短的方法？

【问题讨论】：

另见***.com/a/40962714/1138523

在scala中，你可以.withColumn("val1", col("val._1")).withColumn("val2", col("val._2"))，不确定这是否适用于pyspark

【参考方案1】：

您可以在 udf 中创建 structFields 以便以后访问。

from pyspark.sql.types import *

get_data_udf = udf(lambda id: get_data(spark, id), 
      StructType([StructField('first', IntegerType()), StructField('second', IntegerType())]))
dfnew = df \
    .withColumn("val", get_data_udf(col("id"))) \
    .select('*', 'val.`first`'.alias('first'), 'val.`second`'.alias('second'))

【讨论】：

.select('*'是什么意思？

表示所有列。

啊，好的。必须要做drop("val")，对吧？

不确定。

【参考方案2】：

元组可以像列表一样被索引，因此您可以将第一列的值添加为get_data()[0]，并将第二列中的第二个值添加为get_data()[1]

您也可以使用v1, v2 = get_data()，这样将返回的元组值分配给变量v1 和v2。

在此处查看this 问题以获得进一步说明。

【讨论】：

如果我调用withColumn("val1", get_data_udf(col("id"))[0]).withColumn("val2", get_data_udf(col("id"))[1])，那么我会调用get_data_udf 两次。不是吗？

另外，如果我在 DataFrame 中逐行运行此函数，我该如何运行 v1, v2 = get_data()？

将第一个放在一个循环中，并将 v1 和 v2 逐行附加到您的 df - 这就是它的工作原理！

你能添加一些例子吗？但是循环通常不用于分布式编程。也许我误解了你的想法。因此，这个例子会很有帮助。

@Markus：如果您不想运行 udf 两次，则需要将结果临时保存在单独的列中。

【参考方案3】：

例如，您有一个如下所示的一列示例数据框

val df = sc.parallelize(Seq(3)).toDF()
df.show()

//下面是一个UDF，它将返回一个元组

def tupleFunction(): (Int,Int) = (1,2)

//我们将从上面的UDF创建两个新列

df.withColumn("newCol",typedLit(tupleFunction.toString.replace("(","").replace(")","")
.split(","))).select((0 to 1)
.map(i => col("newCol").getItem(i).alias(s"newColFromTuple$i")):_*).show

【讨论】：

这是 scala，不是吗？我需要 Python。

没错。只有薄纱功能会有所不同。除此之外，实际代码是 spark api。它应该工作