Question

我有2个ArrayType列的数据框。我想找到列之间的区别。 column1将始终具有值，而column2可能具有空数组。我创建了以下udf，但它无法正常工作

df.show()提供以下记录

SampleData：

["Test", "Test1","Test3", "Test2"], ["Test", "Test1"]

代码：

sc.udf.register("diff", (value: Column,value1: Column)=>{ 
                        value.asInstanceOf[Seq[String]].diff(value1.asInstanceOf[Seq[String]])          
                    })

输出：

["Test2","Test3"]

Spark版本1.4.1 任何帮助将不胜感激。

Answer 1

column1将始终具有值，而column2可能具有空数组。

您的评论 ：它提供了所有值的值 - undefined_variable

示例1：

让我们看看像这样的小例子......

   val A = Seq(1,1)

 A: Seq[Int] = List(1, 1)

 val B = Seq.empty

 B: Seq[Nothing] = List()

A diff B

 res0: Seq[Int] = List(1, 1)

如果您执行collection.SeqLike.diff，那么您将获得A值，如示例所示。根据scala，这是非常有效的案例，因为你告诉你总是得到value这是seq。

另外，反向情况就是这样......

 B diff A

 res1: Seq[Nothing] = List()

如果您使用Spark udf执行上述操作，则会产生相同的结果。

编辑:(如果你修改了你的例子，一个数组不是空的情况）

示例2：

 val p = Seq("Test", "Test1","Test3", "Test2")

 p: Seq[String] = List(Test, Test1, Test3, Test2)

 val q = Seq("Test", "Test1")

 q: Seq[String] = List(Test, Test1)

 p diff q

 res2: Seq[String] = List(Test3, Test2)

这是您的预期输出，如您的示例所示。

反向案例：我认为这是你所得到的，这是你不期望的。

q diff p

 res3: Seq[String] = List()

Answer 2

您需要将udf更改为：

val diff_udf = udf { ( a:  Seq[String], 
                       b:  Seq[String]) => a diff b }

然后这个有效：

import org.apache.spark.sql.functions.col
df.withColumn("diff",
  diff_udf(col("col1"), col("col2"))).show
+--------------------+-----------------+------------------+
|                col1|             col2|              diff|
+--------------------+-----------------+------------------+
|List(Test, Test1,...|List(Test, Test1)|List(Test3, Test2)|
+--------------------+-----------------+------------------+

数据

val df = sc.parallelize(Seq((List("Test", "Test1","Test3", "Test2"), List("Test", "Test1")))).toDF("col1", "col2")

数据框中ArrayType列之间的差异

2 个答案:

示例1：

编辑:(如果你修改了你的例子，一个数组不是空的情况）

示例2：

反向案例：我认为这是你所得到的，这是你不期望的。