Scala 如何验证Spark数据帧的内容
我有低于Scala Spark的代码库,它工作得很好,但不应该 第二列包含混合类型的数据,而在模式中,我将其定义为Scala 如何验证Spark数据帧的内容,scala,validation,apache-spark,dataframe,apache-spark-sql,Scala,Validation,Apache Spark,Dataframe,Apache Spark Sql,我有低于Scala Spark的代码库,它工作得很好,但不应该 第二列包含混合类型的数据,而在模式中,我将其定义为IntegerType。我的实际程序有100多列,并在转换后继续派生多个子数据帧 如何验证RDD或DataFrame字段的内容是否具有正确的数据类型值,从而忽略无效行或将列的内容更改为某个默认值。对于使用DataFrame或RDD进行数据质量检查的更多指针,我们将不胜感激 var theSeq = Seq(("X01", "41"), ("X01", 41), ("X
IntegerType
。我的实际程序有100多列,并在转换后继续派生多个子数据帧
如何验证RDD
或DataFrame
字段的内容是否具有正确的数据类型值,从而忽略无效行或将列的内容更改为某个默认值。对于使用DataFrame
或RDD
进行数据质量检查的更多指针,我们将不胜感激
var theSeq = Seq(("X01", "41"),
("X01", 41),
("X01", 41),
("X02", "ab"),
("X02", "%%"))
val newRdd = sc.parallelize(theSeq)
val rowRdd = newRdd.map(r => Row(r._1, r._2))
val theSchema = StructType(Seq(StructField("ID", StringType, true),
StructField("Age", IntegerType, true)))
val theNewDF = sqc.createDataFrame(rowRdd, theSchema)
theNewDF.show()
在版本1.4或更高版本中
import org.apache.spark.sql.execution.debug._
theNewDF.typeCheck
但它是通过SPARK-9754拆下的。我还没有检查,但我认为
typeCheck
变成了sqlContext。事先调试首先传递schema
只是避免类型推断的一种方法。在数据帧创建过程中,不会验证或强制执行。顺便说一句,我不认为ClassCastException
工作得很好。有那么一会儿我以为你真的发现了一只虫子
我认为重要的问题是,首先,如何获得像seq
/newRdd
这样的数据。它是您自己解析的东西,是从外部组件接收的吗?只需查看类型(Seq[(String,Any)]
/RDD[(String,Any)]
),您就知道它不是数据帧的有效输入。在这个级别处理事情的方法可能是采用静态类型。Scala提供了许多巧妙的方法来处理意外情况(Try
,或者
,选项
),其中最后一种方法是最简单的方法,作为一个额外的优点,Spark SQL可以很好地工作。相当简单的处理方式可能是这样的
def validateInt(x: Any) = x match {
case x: Int => Some(x)
case _ => None
}
def validateString(x: Any) = x match {
case x: String => Some(x)
case _ => None
}
val newRddOption: RDD[(Option[String], Option[Int])] = newRdd.map{
case (id, age) => (validateString(id), validateInt(age))}
由于选项
可以轻松组合,因此您可以添加以下附加检查:
def validateAge(age: Int) = {
if(age >= 0 && age < 150) Some(age)
else None
}
val newRddValidated: RDD[(Option[String], Option[Int])] = newRddOption.map{
case (id, age) => (id, age.flatMap(validateAge))}
此时,您只需调用toDF
:
import org.apache.spark.sql.DataFrame
val df: DataFrame = records.toDF
df.printSchema
// root
// |-- id: string (nullable = true)
// |-- age: integer (nullable = true)
这是一种艰难但可以说更优雅的方式。一个更快的方法是让SQL casting系统为您完成一项工作。首先,让我们将所有内容转换为字符串
:
val stringRdd: RDD[(String, String)] = sc.parallelize(theSeq).map(
p => (p._1.toString, p._2.toString))
接下来创建一个数据帧:
import org.apache.spark.sql.types._
import org.apache.spark.sql.Column
import org.apache.spark.sql.functions.col
val df: DataFrame = stringRdd.toDF("id", "age")
val expectedTypes = Seq(StringType, IntegerType)
val exprs: Seq[Column] = df.columns.zip(expectedTypes).map{
case (c, t) => col(c).cast(t).alias(c)}
val dfProcessed: DataFrame = df.select(exprs: _*)
结果是:
dfProcessed.printSchema
// root
// |-- id: string (nullable = true)
// |-- age: integer (nullable = true)
dfProcessed.show
// +---+----+
// | id| age|
// +---+----+
// |X01| 41|
// |X01| 41|
// |X01| 41|
// |X02|null|
// |X02|null|
// +---+----+
我发布的代码只是为了证明我的问题……非常感谢您的回复……虽然第一个解决方案很优雅,但当它在一个文件中有125列时很难工作……而且该文件本质上是动态的……即使case类也无法工作……因此Row是唯一的解决方案。。。。铸造解决方案适合我的情况。。非常感谢你。这就是为什么我们有元编程。可以说有比Scala更自然的更好的语言,但这是完全可能的。
dfProcessed.printSchema
// root
// |-- id: string (nullable = true)
// |-- age: integer (nullable = true)
dfProcessed.show
// +---+----+
// | id| age|
// +---+----+
// |X01| 41|
// |X01| 41|
// |X01| 41|
// |X02|null|
// |X02|null|
// +---+----+