我正在尝试制作一个熊猫UDF,该熊猫UDF接受两列具有整数值,并基于这些值之间的差异返回一个十进制数组,其长度等于上述差异。
到目前为止,这是我的尝试,我一直在用很多不同的方法来尝试使此方法起作用,但这是一般的想法
Conv2D
这是我的用法示例
import pandas as pd
@pandas_udf(ArrayType(DecimalType()), PandasUDFType.SCALAR)
def zero_pad(x, y):
buffer = []
for i in range(0, (x - y)):
buffer.append(0.0)
return buffer #correction provided by Ali Yessili
最终结果为df = df.withColumn("zero_list", zero_pad(df.x, df.y))
,其中一个名为df
的新列是一个看起来像zero_list
的ArrayType(DecimalType())列,其长度为(df.x-df .y)
该错误消息是如此普遍,几乎不值得发布,只是“由于阶段故障而导致作业中止”,并且仅追溯到我执行[0.0, 0.0, 0.0, ...]
的代码部分,
df.show()
我希望有人可以向我指出正确的方向,制作出一个熊猫udf,该udf将返回可变长度的数组,或者只是告诉我为什么我的代码或方法错误。
我正在使用带有Spark 2.3.1的数据块来完成所有这些操作。
答案 0 :(得分:0)
我不明白为什么您要从函数中返回熊猫系列值。对于每个输入,它将返回多行。
>>> import pandas as pd
>>> def zero_pad(x, y):
... buffer = []
... for i in range(0, (x - y)):
... buffer.append(0.0)
... return pd.Series(buffer)
...
>>> zero_pad(5,1)
0 0.0
1 0.0
2 0.0
3 0.0
dtype: float64
因此,您不能添加具有多行结果的列。
另一方面,您不能在withColumn语句中直接使用udf。请在下面查看我的脚本,我认为结果正是您想要的
>>> from pyspark.sql.functions import udf
>>>
>>> data = sc.parallelize([
... (2,1),
... (8,1),
... (5,2),
... (6,4)])
>>> columns = ['x','y']
>>> df = spark.createDataFrame(data, columns)
>>> df.show()
+---+---+
| x| y|
+---+---+
| 2| 1|
| 8| 1|
| 5| 2|
| 6| 4|
+---+---+
>>> def zero_pad(x, y):
... buffer = []
... for i in range(0, (x - y)):
... buffer.append(0.0)
... return buffer
...
>>> my_udf = udf(zero_pad)
>>> df = df.withColumn("zero_list", my_udf(df.x, df.y))
>>> df.show()
+---+---+--------------------+
| x| y| zero_list|
+---+---+--------------------+
| 2| 1| [0.0]|
| 8| 1|[0.0, 0.0, 0.0, 0...|
| 5| 2| [0.0, 0.0, 0.0]|
| 6| 4| [0.0, 0.0]|
+---+---+--------------------+
答案 1 :(得分:0)
这个问题大约一年前,但是我遇到了同样的问题,这是我使用pandas_udf
的解决方案:
import pandas as pd
from pyspark.sql.functions import pandas_udf, PandasUDFType
from pyspark.sql.types import *
@pandas_udf(ArrayType(IntegerType()), PandasUDFType.SCALAR)
def zero_pad(xs,ys):
buffer = []
for idx, x in enumerate(xs):
buffer.append([0]*int(x-ys[idx]))
return pd.Series(buffer)
df = df.withColumn("zero_list", zero_pad(df.x, df.y))