Scala 当udf函数不接受足够大的输入变量时触发数据帧

我正在准备一个带有id和特征向量的数据帧，以便稍后用于进行预测。我在我的数据帧上执行groupBy，在我的groupBy中，我将两列作为列表合并到一个新列中：

def mergeFunction(...) // with 14 input variables

val myudffunction( mergeFunction ) // Spark doesn't support this

df.groupBy("id").agg(
   collect_list(df(...)) as ...
   ... // too many of these (something like 14 of them)
).withColumn("features_labels",
  myudffunction(
     col(...)
     , col(...) )
.select("id", "feature_labels")

这就是我创建特征向量及其标签的方式。到目前为止，它一直在为我工作，但这是我第一次用这种方法得到的特征向量大于数字10，这是Spark中的udf函数最多可以接受的

我不知道我还能怎么解决这个问题？是中udf输入的大小 火花会越来越大，我是不是理解错了，还是 有更好的办法吗

---

用户定义的函数最多可定义22个参数。仅为最多10个参数定义了

udf

helper。要处理具有大量参数的函数，可以使用

org.apache.spark.sql.UDFRegistration

比如说

val dummy = ((
  x0: Int, x1: Int, x2: Int, x3: Int, x4: Int, x5: Int, x6: Int, x7: Int, 
  x8: Int, x9: Int, x10: Int, x11: Int, x12: Int, x13: Int, x14: Int, 
  x15: Int, x16: Int, x17: Int, x18: Int, x19: Int, x20: Int, x21: Int) => 1)

必须注册的车辆：

import org.apache.spark.sql.expressions.UserDefinedFunction

val dummyUdf: UserDefinedFunction = spark.udf.register("dummy", dummy)

直接使用

val df = spark.range(1)
val exprs =  (0 to 21).map(_ => lit(1))

df.select(dummyUdf(exprs: _*))

或者通过

callUdf

import org.apache.spark.sql.functions.callUDF

df.select(
  callUDF("dummy", exprs:  _*).alias("dummy")
)

或SQL表达式：

df.selectExpr(s"""dummy(${Seq.fill(22)(1).mkString(",")})""")

您还可以创建

UserDefinedFunction

对象：

import org.apache.spark.sql.expressions.UserDefinedFunction

Seq(1).toDF.select(UserDefinedFunction(dummy, IntegerType, None)(exprs: _*))

实际上，拥有22个参数的函数并不是很有用，除非您想使用Scala反射来生成这些参数，否则会有维护噩梦

我会考虑使用集合（<代码>数组< /COD>，<代码> map < /COD>）或<代码>结构> /代码>作为输入或将其划分为多个模块。例如：

val aLongArray = array((0 to 256).map(_ => lit(1)): _*)

val udfWitharray = udf((xs: Seq[Int]) => 1)

Seq(1).toDF.select(udfWitharray(aLongArray).alias("dummy"))

---

用户定义的函数最多可定义22个参数。仅为最多10个参数定义了

udf

helper。要处理具有大量参数的函数，可以使用

org.apache.spark.sql.UDFRegistration

比如说

val dummy = ((
  x0: Int, x1: Int, x2: Int, x3: Int, x4: Int, x5: Int, x6: Int, x7: Int, 
  x8: Int, x9: Int, x10: Int, x11: Int, x12: Int, x13: Int, x14: Int, 
  x15: Int, x16: Int, x17: Int, x18: Int, x19: Int, x20: Int, x21: Int) => 1)

必须注册的车辆：

import org.apache.spark.sql.expressions.UserDefinedFunction

val dummyUdf: UserDefinedFunction = spark.udf.register("dummy", dummy)

直接使用

val df = spark.range(1)
val exprs =  (0 to 21).map(_ => lit(1))

df.select(dummyUdf(exprs: _*))

或者通过

callUdf

import org.apache.spark.sql.functions.callUDF

df.select(
  callUDF("dummy", exprs:  _*).alias("dummy")
)

或SQL表达式：

df.selectExpr(s"""dummy(${Seq.fill(22)(1).mkString(",")})""")

您还可以创建

UserDefinedFunction

对象：

import org.apache.spark.sql.expressions.UserDefinedFunction

Seq(1).toDF.select(UserDefinedFunction(dummy, IntegerType, None)(exprs: _*))

实际上，拥有22个参数的函数并不是很有用，除非您想使用Scala反射来生成这些参数，否则会有维护噩梦

我会考虑使用集合（<代码>数组< /COD>，<代码> map < /COD>）或<代码>结构> /代码>作为输入或将其划分为多个模块。例如：

val aLongArray = array((0 to 256).map(_ => lit(1)): _*)

val udfWitharray = udf((xs: Seq[Int]) => 1)

Seq(1).toDF.select(udfWitharray(aLongArray).alias("dummy"))

---

只需扩展zero的答案，就可以获得

.withColumn（）

函数来处理具有10个以上参数的UDF。只需

spark.udf.register（）

函数，然后使用

expr

作为添加列的参数（而不是

udf

）

例如，类似这样的方法应该有效：

def mergeFunction(...) // with 14 input variables

spark.udf.register("mergeFunction", mergeFunction) // make available in expressions

df.groupBy("id").agg(
   collect_list(df(...)) as ...
   ... // too many of these (something like 14 of them)
).withColumn("features_labels",
  expr("mergeFunction(col1, col2, col3, col4, ...)") ) //pass in the 14 column names
.select("id", "feature_labels")

---

底层表达式解析器似乎处理10个以上的参数，因此我认为不必通过传递数组来调用函数。另外，如果它们的参数恰好是不同的数据类型，那么数组将不能很好地工作。

仅扩展zero的答案，就可以使用

。withColumn（）

函数来处理具有10个以上参数的UDF。只需

spark.udf.register（）

函数，然后使用

expr

作为添加列的参数（而不是

udf

）

例如，类似这样的方法应该有效：

def mergeFunction(...) // with 14 input variables

spark.udf.register("mergeFunction", mergeFunction) // make available in expressions

df.groupBy("id").agg(
   collect_list(df(...)) as ...
   ... // too many of these (something like 14 of them)
).withColumn("features_labels",
  expr("mergeFunction(col1, col2, col3, col4, ...)") ) //pass in the 14 column names
.select("id", "feature_labels")

底层表达式解析器似乎处理10个以上的参数，因此我认为不必通过传递数组来调用函数。而且，如果它们的参数恰好是不同的数据类型，那么数组将不能很好地工作