Question

我需要一个UDF2，它接受两个参数作为输入，对应于String和mllib.linalg.Vector类型的两个Dataframe列，并返回一个Tuple2。这可行吗？如果是，我该如何注册这个udf（）？

hiveContext.udf().register("getItemData", get_item_data, WHAT GOES HERE FOR RETURN TYPE?);

udf的定义如下：

UDF2<String, org.apache.spark.mllib.linalg.Vector, Tuple2<String, org.apache.spark.mllib.linalg.Vector>> get_item_data =
            (String id, org.apache.spark.mllib.linalg.Vector features) -> {
        return new Tuple2<>(id, features);
    };

Answer 1

有一个schema可以定义如下：

import org.apache.spark.sql.types.DataType;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.mllib.linalg.VectorUDT;

List<StructField> fields = new ArrayList<>();
fields.add(DataTypes.createStructField("id", DataTypes.StringType, false));
fields.add(DataTypes.createStructField("features", new VectorUDT(), false));
DataType schema = DataTypes.createStructType(fields);

但是，如果您只需要一个struct而没有任何额外的处理org.apache.spark.sql.functions.struct应该可以做到这一点：

df.select(struct(col("id"), col("features"));

我可以从apache spark UDF（在java中）返回一个Tuple2吗？

1 个答案: