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(Object
,Dictionary
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|
#+--------+---+-------+
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:
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。
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?