如何将常量值传递给Python UDF?

时间:2016-02-13 02:06:49

标签: python apache-spark pyspark apache-spark-sql user-defined-functions

我在想是否有可能创建一个UDF来接收两个参数Column和另一个变量(ObjectDictionary或任何其他类型),然后做一些操作并返回结果。

实际上,我试图这样做,但我得到了一个例外。因此,我想知道是否有办法避免这个问题。

df = sqlContext.createDataFrame([("Bonsanto", 20, 2000.00), 
                                 ("Hayek", 60, 3000.00), 
                                 ("Mises", 60, 1000.0)], 
                                ["name", "age", "balance"])

comparatorUDF = udf(lambda c, n: c == n, BooleanType())

df.where(comparatorUDF(col("name"), "Bonsanto")).show()

我收到以下错误:

  

AnalysisException:u“无法解析'Bonsanto'给定的输入列   姓名,年龄,平衡;“

很明显,UDF“看到”string“Bonsanto”作为列名,实际上我正在尝试将记录值与第二个参数进行比较。

另一方面,我知道可以在where子句中使用一些运算符(但实际上我想知道它是否可以使用UDF实现),如下所示:

df.where(col("name") == "Bonsanto").show()

#+--------+---+-------+
#|    name|age|balance|
#+--------+---+-------+
#|Bonsanto| 20| 2000.0|
#+--------+---+-------+

1 个答案:

答案 0 :(得分:11)

传递给UDF的所有内容都被解释为列/列名称。如果你想传递一个文字,你有两个选择:

  1. 使用currying传递参数:

    def comparatorUDF(n):
        return udf(lambda c: c == n, BooleanType())
    
    df.where(comparatorUDF("Bonsanto")(col("name")))
    

    只要可序列化,它就可以与任何类型的参数一起使用。

  2. 使用SQL文字和当前实现:

    from pyspark.sql.functions import lit
    
    df.where(comparatorUDF(col("name"), lit("Bonsanto")))
    

    这仅适用于受支持的类型(字符串,数字,布尔值)。对于非原子类型,请参阅How to add a constant column in a Spark DataFrame?