使用numpy数组输入从python方法创建PySpark udf,以计算并返回单个浮点值
作为输入,我有一个包含int值的csv文件使用numpy数组输入从python方法创建PySpark udf,以计算并返回单个浮点值,numpy,pyspark,apache-spark-sql,user-defined-functions,pyspark-dataframes,Numpy,Pyspark,Apache Spark Sql,User Defined Functions,Pyspark Dataframes,作为输入,我有一个包含int值的csv文件 spark_df = spark.read.option("header", "false").csv("../int_values.csv") df = spark_df.selectExpr("_c0 as something") _df = df.withColumn("values", df.something.cast(FloatType(
spark_df = spark.read.option("header", "false").csv("../int_values.csv")
df = spark_df.selectExpr("_c0 as something")
_df = df.withColumn("values", df.something.cast(FloatType())).select("values")
我还为numpy数组输入设计了一些python函数,我需要将这些函数应用于Spark数据帧
示例一:
def calc_sum(float_array):
return np.sum(float_array)
def calc_rms(float_array):
return np.sqrt(np.mean(np.diff(float_array)**2))
In [6]: spark_df.show()
+----+
| _c0|
+----+
|1114|
|1113|
|1066|
|1119|
|1062|
|1089|
|1093|
| 975|
|1099|
|1062|
|1062|
|1162|
|1057|
|1123|
|1141|
|1089|
|1172|
|1096|
|1164|
|1146|
+----+
only showing top 20 rows
实函数:
def calc_sum(float_array):
return np.sum(float_array)
def calc_rms(float_array):
return np.sqrt(np.mean(np.diff(float_array)**2))
In [6]: spark_df.show()
+----+
| _c0|
+----+
|1114|
|1113|
|1066|
|1119|
|1062|
|1089|
|1093|
| 975|
|1099|
|1062|
|1062|
|1162|
|1057|
|1123|
|1141|
|1089|
|1172|
|1096|
|1164|
|1146|
+----+
only showing top 20 rows
对于1。示例:您可以使用SQL sum,如:
但是,我需要的是将这些函数转换为Spark UDF的标准解决方案
我尝试了很多方法,比如:
udf_sum = udf(lambda x : calc_sum(x), FloatType())
_df.rdd.flatMap(udf_sum).collect()
但它总是在以下方面失败:
TypeError:参数无效,不是字符串或列:
类型的行(值=1114.0)。专栏
文字,使用“lit”、“数组”、“结构”或“创建映射”函数
是否可以使用这些功能转换数据?
数据帧示例:
def calc_sum(float_array):
return np.sum(float_array)
def calc_rms(float_array):
return np.sqrt(np.mean(np.diff(float_array)**2))
In [6]: spark_df.show()
+----+
| _c0|
+----+
|1114|
|1113|
|1066|
|1119|
|1062|
|1089|
|1093|
| 975|
|1099|
|1062|
|1062|
|1162|
|1057|
|1123|
|1141|
|1089|
|1172|
|1096|
|1164|
|1146|
+----+
only showing top 20 rows
预期输出:
def calc_sum(float_array):
return np.sum(float_array)
def calc_rms(float_array):
return np.sqrt(np.mean(np.diff(float_array)**2))
In [6]: spark_df.show()
+----+
| _c0|
+----+
|1114|
|1113|
|1066|
|1119|
|1062|
|1089|
|1093|
| 975|
|1099|
|1062|
|1062|
|1162|
|1057|
|1123|
|1141|
|1089|
|1172|
|1096|
|1164|
|1146|
+----+
only showing top 20 rows
从UDF返回的浮点值
对于Sum函数,应该很清楚。您需要的是groupby,并使用
collect\u list
将所有整数值放入数组列,然后在该列上应用您的自定义项。此外,还需要从calc\u rms
显式返回浮点值:
from pyspark.sql import functions as F
from pyspark.sql.types import FloatType
def calc_rms(float_array):
return float(np.sqrt(np.mean(np.diff(float_array) ** 2)))
calc_rms_udf = F.udf(calc_rms, FloatType())
df.groupby().agg(F.collect_list("_c0").alias("_c0")) \
.select(calc_rms_udf(F.col("_c0")).alias("rms")) \
.show()
#+--------+
#| rms|
#+--------+
#|67.16202|
#+--------+