我使用map函数生成一个新列,其值取决于数据帧中已存在的列的结果。
def computeTechFields(row):
if row.col1!=VALUE_TO_COMPARE:
tech1=0
else:
tech1=1
return (row.col1, row.col2, row.col3, tech1)
delta2rdd = delta.map(computeTechFields)
问题是我的主数据框有超过150列,我必须使用map函数返回,所以最后我有这样的事情:
return (row.col1, row.col2, row.col3, row.col4, row.col5, row.col6, row.col7, row.col8, row.col9, row.col10, row.col11, row.col12, row.col13, row.col14, row.col15, row.col16, row.col17, row.col18 ..... row.col149, row.col150, row.col151, tech1)
正如你所看到的,写作真的很长,难以阅读。所以我试着做这样的事情:
return (row.*, tech1)
但当然它不起作用。
我知道" withColumn"功能存在,但我对其性能了解不多,无论如何也无法使其发挥作用。
编辑(withColumn函数发生了什么):
def computeTech1(row):
if row.col1!=VALUE_TO_COMPARE:
tech1=0
else:
tech1=1
return tech1
delta2 = delta.withColumn("tech1", computeTech1)
它给了我这个错误:
AssertionError: col should be Column
我试着这样做:
return col(tech1)
错误是相同的
我也尝试过:
delta2 = delta.withColumn("tech1", col(computeTech1))
这一次,错误是:
AttributeError: 'function' object has no attribute '_get_object_id'
编辑结束
所以我的问题是,如何在map函数使用的UDF中返回所有列+更多列?
谢谢!
答案 0 :(得分:2)
使用Python并不是非常坚定,所以人们可能会在这里纠正我的语法,但一般的想法是让你的函数成为一个带有列作为输入的UDF,然后在withColumn
内调用它。我在这里使用了一个lambda,但是有一些fiddeling它也可以使用一个函数。
from pyspark.sql.functions import udf
computeTech1UDF = udf(
lambda col: 0 if col != VALUE_TO_COMPARE else 1, IntegerType())
delta2 = delta.withColumn("tech1", computeTech1UDF(col1))
由于您未向withColumn
提供列表达式,因此您尝试的内容无效(请参阅http://spark.apache.org/docs/1.6.0/api/python/pyspark.sql.html#pyspark.sql.DataFrame.withColumn)。使用UDF包装器可以实现这一点。