Apache spark 在pyspark[非pandas]中为数据帧的每一行调用函数
pyspark中有一个函数:Apache spark 在pyspark[非pandas]中为数据帧的每一行调用函数,apache-spark,pyspark,pyspark-sql,pyspark-dataframes,Apache Spark,Pyspark,Pyspark Sql,Pyspark Dataframes,pyspark中有一个函数: def sum(a,b): c=a+b return c 它必须使用spark sql在非常大的数据帧的每条记录上运行: x = sum(df.select["NUM1"].first()["NUM1"], df.select["NUM2"].first()["NUM2"]) 但这将只对df的第一条记录运行它,而不是对所有行运行它。 我知道它可以使用lambda来完成,但我无法以所需的方式进行编码 在现实中;c将是一个数据帧,函数将执行大量spa
def sum(a,b):
c=a+b
return c
它必须使用spark sql在非常大的数据帧的每条记录上运行:
x = sum(df.select["NUM1"].first()["NUM1"], df.select["NUM2"].first()["NUM2"])
但这将只对df的第一条记录运行它,而不是对所有行运行它。
我知道它可以使用lambda来完成,但我无法以所需的方式进行编码
在现实中;c将是一个数据帧,函数将执行大量spark.sql操作并返回它。我必须为每一行调用该函数。
我想,我会试着用这个和(a,b)
作为类比
+----------+----------+-----------+
| NUM1 | NUM2 | XYZ |
+----------+----------+-----------+
| 10 | 20 | HELLO|
| 90 | 60 | WORLD|
| 50 | 45 | SPARK|
+----------+----------+-----------+
+----------+----------+-----------+------+
| NUM1 | NUM2 | XYZ | VALUE|
+----------+----------+-----------+------+
| 10 | 20 | HELLO|30 |
| 90 | 60 | WORLD|150 |
| 50 | 45 | SPARK|95 |
+----------+----------+-----------+------+
Python: 3.7.4
Spark: 2.2
您可以使用.withColumn函数:
from pyspark.sql.functions import col
from pyspark.sql.types import LongType
df.show()
+----+----+-----+
|NUM1|NUM2| XYZ|
+----+----+-----+
| 10| 20|HELLO|
| 90| 60|WORLD|
| 50| 45|SPARK|
+----+----+-----+
def mysum(a,b):
return a + b
spark.udf.register("mysumudf", mysum, LongType())
df2 = df.withColumn("VALUE", mysum(col("NUM1"),col("NUM2"))
df2.show()
+----+----+-----+-----+
|NUM1|NUM2| XYZ|VALUE|
+----+----+-----+-----+
| 10| 20|HELLO| 30|
| 90| 60|WORLD| 150|
| 50| 45|SPARK| 95|
+----+----+-----+-----+
使用以下简单方法:
从pyspark.sql导入函数为F
df.带列(“值”,F.expr(“NUM1+NUM2”)
我们可以用下面的方法来实现,注册udf时,返回类型的第三个参数不是必需的
from pyspark.sql import functions as F
df1 = spark.createDataFrame([(10,20,'HELLO'),(90,60,'WORLD'),(50,45,'SPARK')],['NUM1','NUM2','XYZ'])
df1.show()
df2=df1.withColumn('VALUE',F.expr('NUM1 + NUM2'))
df2.show(3,False)
+----+----+-----+-----+
|NUM1|NUM2|XYZ |VALUE|
+----+----+-----+-----+
|10 |20 |HELLO|30 |
|90 |60 |WORLD|150 |
|50 |45 |SPARK|95 |
+----+----+-----+-----+
(or)
def sum(c1,c2):
return c1+c2
spark.udf.register('sum_udf1',sum)
df2=df1.withColumn('VALUE',F.expr("sum_udf1(NUM1,NUM2)"))
df2.show(3,False)
+----+----+-----+-----+
|NUM1|NUM2|XYZ |VALUE|
+----+----+-----+-----+
|10 |20 |HELLO|30 |
|90 |60 |WORLD|150 |
|50 |45 |SPARK|95 |
+----+----+-----+-----+
(or)
sum_udf2=F.udf(lambda x,y: x+y)
df2=df1.withColumn('VALUE',sum_udf2('NUM1','NUM2'))
df2.show(3,False)
+----+----+-----+-----+
|NUM1|NUM2|XYZ |VALUE|
+----+----+-----+-----+
|10 |20 |HELLO|30 |
|90 |60 |WORLD|150 |
|50 |45 |SPARK|95 |
+----+----+-----+-----+
python中的解决方案请注意:$在python中不存在,这给meI带来了麻烦。meI将尝试sum(df['NUM1'],df['NUM2'])。实际上,我必须在select语句中调用此函数。这不应该是个问题。这将是abc中的select sum(df['NUM1'],df['NUM2'])。我猜在select语句中它会抛出错误。df['NUM1']被打印为列,这是错误的。我希望这是该列的实际值。同样需要应用于select运行的df的所有记录。是的,这正是withColumn函数的用途,它对所选列的每一行应用一个函数。我更正了$