Spark Error：构造ClassDict的预期零参数（对于numpy.core.multiarray._reconstruct）

Question

我在Spark中有一个数据框，其中一列包含一个数组。现在，我编写了一个单独的UDF，它将数组转换为另一个只有不同值的数组。见下面的例子：

Ex： [24,23,27,23] 应转换为 [24,23,27] 代码：

def uniq_array(col_array):
    x = np.unique(col_array)
    return x
uniq_array_udf = udf(uniq_array,ArrayType(IntegerType()))

Df3 = Df2.withColumn("age_array_unique",uniq_array_udf(Df2.age_array))

在上面的代码中，Df2.age_array是我在其上应用UDF以获取不同列"age_array_unique"的数组，该列应该只包含数组中的唯一值。

但是，只要我运行命令Df3.show()，我就会收到错误：

  

net.razorvine.pickle.PickleException：构造ClassDict的预期零参数（对于numpy.core.multiarray._reconstruct）

任何人都可以告诉我为什么会这样吗？

谢谢！

Answer 1

问题的根源是从UDF返回的对象不符合声明的类型。 np.unique不仅返回numpy.ndarray，还会使用NumPy API将数字转换为相应的DataFrame类型which are not compatible。你可以尝试这样的事情：

udf(lambda x: list(set(x)), ArrayType(IntegerType()))

或者这个（为了保持秩序）

udf(lambda xs: list(OrderedDict((x, None) for x in xs)), 
    ArrayType(IntegerType()))

代替。

如果你真的想要np.unique，你必须转换输出：

udf(lambda x: np.unique(x).tolist(), ArrayType(IntegerType()))

Answer 2

您需要将最终值转换为python列表。您可以按以下方式实现该功能：

def uniq_array(col_array):
    x = np.unique(col_array)
    return list(x)

这是因为Spark无法理解numpy数组格式。为了提供Spark DataFrames理解为ArrayType的python对象，您需要在将输出返回之前将其转换为python list。

Answer 3

从pyspark 2.4版开始，您可以使用array_distinct转换。
http://spark.apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.functions.array_distinct

Answer 4

当我的UDF返回一个float时，我也遇到了这个错误，但是我忘记将其强制转换为float。我需要这样做：

retval = 0.5
return float(retval)

Answer 5

以下对我来说很好

udf(lambda x: np.unique(x).tolist(), ArrayType(IntegerType()))

Answer 6

[x.item() for x in <any numpy array>]

将其转换为纯python。