Question

我正准备一个带有id和我的特征向量的DataFrame，以便稍后用于预测。我在我的数据框架上做了一个groupBy，在我的groupBy中，我将几列作为列表合并到一个新列中：

def mergeFunction(...) // with 14 input variables

val myudffunction( mergeFunction ) // Spark doesn't support this

df.groupBy("id").agg(
   collect_list(df(...)) as ...
   ... // too many of these (something like 14 of them)
).withColumn("features_labels",
  myudffunction(
     col(...)
     , col(...) )
.select("id", "feature_labels")

这就是我创建我的特征向量及其标签的方式。到目前为止，它一直在为我工作，但这是我第一次使用这种方法的特征向量大于数字10，这是Spark接受的最大函数。

我不确定我还能解决这个问题吗？是否有udf输入的大小火花会变得更大，我是否理解错误，或者有更好的方法吗？

Answer 1

用户定义的函数最多可定义22个参数。最多只有10个参数定义udf个助手。要处理具有大量参数的函数，您可以使用org.apache.spark.sql.UDFRegistration。

例如

val dummy = ((
  x0: Int, x1: Int, x2: Int, x3: Int, x4: Int, x5: Int, x6: Int, x7: Int, 
  x8: Int, x9: Int, x10: Int, x11: Int, x12: Int, x13: Int, x14: Int, 
  x15: Int, x16: Int, x17: Int, x18: Int, x19: Int, x20: Int, x21: Int) => 1)

van注册：

import org.apache.spark.sql.expressions.UserDefinedFunction

val dummyUdf: UserDefinedFunction = spark.udf.register("dummy", dummy)

直接使用

val df = spark.range(1)
val exprs =  (0 to 21).map(_ => lit(1))

df.select(dummyUdf(exprs: _*))

或通过callUdf

的名称

import org.apache.spark.sql.functions.callUDF

df.select(
  callUDF("dummy", exprs:  _*).alias("dummy")
)

或SQL表达式：

df.selectExpr(s"""dummy(${Seq.fill(22)(1).mkString(",")})""")

您还可以创建UserDefinedFunction对象：

import org.apache.spark.sql.expressions.UserDefinedFunction

Seq(1).toDF.select(UserDefinedFunction(dummy, IntegerType, None)(exprs: _*))

实际上，拥有22个参数的函数并不是很有用，除非你想使用Scala反射生成这些参数，否则会有维护噩梦。

我会考虑使用集合（array，map）或struct作为输入，或将其划分为多个模块。例如：

val aLongArray = array((0 to 256).map(_ => lit(1)): _*)

val udfWitharray = udf((xs: Seq[Int]) => 1)

Seq(1).toDF.select(udfWitharray(aLongArray).alias("dummy"))

Answer 2

为了扩展零的答案，可以使用.withColumn()函数来处理具有10个以上参数的UDF。只需要spark.udf.register()该函数，然后使用expr作为参数添加列（而不是udf）。

例如，这样的事情应该有效：

def mergeFunction(...) // with 14 input variables

spark.udf.register("mergeFunction", mergeFunction) // make available in expressions

df.groupBy("id").agg(
   collect_list(df(...)) as ...
   ... // too many of these (something like 14 of them)
).withColumn("features_labels",
  expr("mergeFunction(col1, col2, col3, col4, ...)") ) //pass in the 14 column names
.select("id", "feature_labels")

底层表达式解析器似乎处理了10个以上的参数，所以我认为你不得不求助于传递数组来调用该函数。此外，如果它们的参数碰巧是不同的数据类型，那么数组将无法正常工作。

当udf函数不接受足够大的输入变量时，Spark DataFrames

2 个答案: