我仍然是pyspark的新手,我试图在UDF的帮助下迭代地评估函数和创建列。以下是功能:
def get_temp(df):
l=['temp1','temp2','temp3']
s=[0]
pt = [0]
start = [0]
end = [0]
cummulative_stat = [0]
for p in xrange(1,4):
def func(p):
if p==1:
pass
elif p >1:
start[0] = end[0]
s[0]=2
pt[0] =4
end[0] = start[0] + pt[0] - s[0]
return end[0]
func_udf=udf(func,IntegerType())
df=df.withColumn(l[p-1],func_udf(lit(p)))
return df
df=get_temp(df)
df.show()
以上结果:
+---+---+---+-----+-----+-----+
| a| b| c|temp1|temp2|temp3|
+---+---+---+-----+-----+-----+
| 2| 12| 5| 0| 2| 2|
| 8| 5| 7| 0| 4| 4|
| 9| 4| 3| 0| 2| 2|
| 3| 8| 2| 0| 4| 4|
+---+---+---+-----+-----+-----+
预期结果是:
+---+---+---+-----+-----+-----+
| a| b| c|temp1|temp2|temp3|
+---+---+---+-----+-----+-----+
| 2| 12| 5| 0| 2| 4|
| 8| 5| 7| 0| 2| 4|
| 9| 4| 3| 0| 2| 4|
| 3| 8| 2| 0| 2| 4|
+---+---+---+-----+-----+-----+
如果仅查看内部函数的输出,结果如预期那样,即:
s=[0]
pt = [0]
start = [0]
end = [0]
cummulative_stat = [0]
for p in xrange(1,4):
def func():
if p==1:
pass
elif p >1:
start[0] = end[0]
s[0]=2
pt[0] =4
end[0] = start[0] + pt[0] - s[0]
return end[0]
e=func()
print e
output:
0
2
4
不确定将这些结果从UDF写回到df的正确方法是什么。发布的数据帧只是一个示例数据帧,我需要使用for循环,因为在我的原始代码中,我在for循环中调用其他函数(谁的输出取决于迭代器的值)。例子如下:
def get_temp(df):
l=['temp1','temp2','temp3']
s=[0]
pt = [0]
start = [0]
end = [0]
q=[]
cummulative_stat = [0]
for p in xrange(1,4):
def func(p):
if p < a:
cummulative_stat[0]=cummulative_stat[0]+52
pass
elif p >=a:
if p==1:
pass
elif p >1:
start[0] = end[0]
s[0]=2
pt[0] =4
if cummulative_stat and p >1:
var1=func2(p,3000)
var2=func3(var1)
cummulative_stat=np.nan
else:
var1=func2(p,3000)
var2=func3(var1)
end[0] = start[0] + pt[0] - s[0]
q.append(end[0],var1,var2)
return q
func_udf=udf(func,ArrayType(ArrayType(IntegerType())))
df=df.withColumn(l[p-1],func_udf(lit(p)))
return df
df=get_temp(df)
df.show()
我正在使用pyspark 2.2。任何帮助深表感谢。 要创建此数据框:
rdd = sc.parallelize([(2,12,5),(8,5,7),
(9,4,3),
(3,8,2)])
df = sqlContext.createDataFrame(rdd, ('a', 'b','c'))
df.show()
答案 0 :(得分:1)
根据我的理解,查看您的代码的是您的下一个列值取决于前一个。如果我的理解是正确的,那么我可以告诉你的udf函数定义放在错误的地方。 您需要对代码进行细微更改才能使其正常运行。
让我们一步一步走
你已经拥有
+---+---+---+
| a| b| c|
+---+---+---+
| 2| 12| 5|
| 8| 5| 7|
| 9| 4| 3|
| 3| 8| 2|
+---+---+---+
我们需要一个初始化列,我发现它是0
from pyspark.sql import functions as F
from pyspark.sql import types as T
df=df.withColumn('temp0', F.lit(0))
应该是
+---+---+---+-----+
| a| b| c|temp0|
+---+---+---+-----+
| 2| 12| 5| 0|
| 8| 5| 7| 0|
| 9| 4| 3| 0|
| 3| 8| 2| 0|
+---+---+---+-----+
我们应该将udf
函数移出循环作为
def func(p, end):
start = 0
s = 0
pt = 0
if p==1:
pass
elif p >1:
start = end
s=2
pt =4
end = start + pt - s
return end
func_udf=F.udf(func, T.IntegerType())
和将中的udf
函数称为
def get_temp(df):
l=['temp1','temp2','temp3']
for p in xrange(1,4):
df=df.withColumn(l[p-1],func_udf(F.lit(p), F.col('temp'+str(p-1))))
return df
df=get_temp(df)
最后删除初始化列
df=df.drop('temp0')
应该能为您提供所需的输出
+---+---+---+-----+-----+-----+
| a| b| c|temp1|temp2|temp3|
+---+---+---+-----+-----+-----+
| 2| 12| 5| 0| 2| 4|
| 8| 5| 7| 0| 2| 4|
| 9| 4| 3| 0| 2| 4|
| 3| 8| 2| 0| 2| 4|
+---+---+---+-----+-----+-----+
我希望答案很有帮助