python - Pyspark SQL Pandas UDF:返回一个数组
问题描述
我正在尝试制作一个 pandas UDF,它包含两列具有整数值的列,并根据这些值之间的差异返回一个长度等于上述差异的小数数组。
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让它发挥作用,但这是一般的想法
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
这是我如何使用它的示例
df = df.withColumn("zero_list", zero_pad(df.x, df.y))
最终结果是df
一个名为 ArrayType(DecimalType()) 列的新列,其长度zero_list
看起来像(df.x - df.y)[0.0, 0.0, 0.0, ...]
错误消息太笼统了,几乎不值得发布,只是“由于阶段失败而中止作业”,它只追溯到我执行的代码部分df.show()
,
Py4JJavaError Traceback (most recent call last)
<command-103561> in <module>()
---> 33 df.orderBy("z").show(n=1000)
/databricks/spark/python/pyspark/sql/dataframe.py in show(self, n, truncate, vertical)
350 """
351 if isinstance(truncate, bool) and truncate:
--> 352 print(self._jdf.showString(n, 20, vertical))
353 else:
354 print(self._jdf.showString(n, int(truncate), vertical))
/databricks/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py in __call__(self, *args)
1255 answer = self.gateway_client.send_command(command)
1256 return_value = get_return_value(
-> 1257 answer, self.gateway_client, self.target_id, self.name)
1258
1259 for temp_arg in temp_args:
我希望有人能指出我正确的方向来制作一个 pandas udf,它会返回一个可变长度的数组,或者只是告诉我为什么我的代码或方法是错误的。
我正在使用带有 spark 2.3.1 的数据块来完成所有这些工作。
解决方案
这个问题是大约一年前的问题,但我遇到了同样的问题,这是我的解决方案pandas_udf
:
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))
推荐阅读
- c++ - 类变量被看似未执行的代码更改
- c++ - 在空指针上使用 static_cast 时,这里的成语是什么?
- r - R中的简单移动平均列
- apache-spark - Spark 的阶段持续时间是否不包括被杀死任务所花费的时间?
- python - Python writerows 仅将 NLTK FreqDist 的最后一行写入 csv 文件
- python - 将未定义的变量传递给函数并返回带有值的变量
- docker - 使用 cert-manager 为牧场主获取letsencrypt证书时连接被拒绝
- java - 如何对 JPA idclass 进行单元测试
- haskell - 检查(从零开始的索引)列表中的所有偶数索引元素是否是偶数
- node.js - digitalocean nodejs 应用程序:knex 无法连接到 postgres,在基本设置上引发超时