时间戳

首页 > 解决方案 > 当数据集在 sparklyr 中时，为什么我不能在 dplyr 中使用双冒号运算符？

r - 当数据集在 sparklyr 中时，为什么我不能在 dplyr 中使用双冒号运算符？

问题描述

一个可重现的例子（改编自@forestfanjoe 的回答）：

library(dplyr)
library(sparklyr)
sc <- spark_connect(master = "local")

df <- data.frame(id = 1:100, PaymentHistory = runif(n = 100, min = -1, max = 2))

df <- copy_to(sc, df, "payment")

> head(df)
# Source: spark<?> [?? x 2]
     id PaymentHistory
* <int>          <dbl>
1     1         -0.138
2     2         -0.249
3     3         -0.805
4     4          1.30 
5     5          1.54 
6     6          0.936

fix_PaymentHistory <- function(df){df %>% dplyr::mutate(PaymentHistory = dplyr::if_else(PaymentHistory < 0, 0, dplyr::if_else(PaymentHistory > 1,1, PaymentHistory)))}

df %>% fix_PaymentHistory

错误是：

 Error in dplyr::if_else(PaymentHistory < 0, 0, dplyr::if_else(PaymentHistory >  : 
 object 'PaymentHistory' not found

我正在使用范围运算符，因为我担心其中的名称dplyr会与某些用户定义的代码发生冲突。请注意，这PaymentHistory是 中的列变量df。

运行以下代码时不存在相同的错误：

fix_PaymentHistory <- function(df){
    df %>% mutate(PaymentHistory = if_else(PaymentHistory < 0, 0,if_else(PaymentHistory > 1,1, PaymentHistory)))
}
> df %>% fix_PaymentHistory
# Source: spark<?> [?? x 2]
      id PaymentHistory
 * <int>          <dbl>
 1     1         0     
 2     2         0     
 3     3         0     
 4     4         1     
 5     5         1     
 6     6         0.936 
 7     7         0     
 8     8         0.716 
 9     9         0     
10    10         0.0831
# ... with more rows

标签： rapache-sparkdplyrsparklyr

解决方案

TL;DR因为您的代码根本不使用dplyr::if_else。

sparklyr，当在示例中使用时，将 Spark 视为另一个数据库并使用dbplyrSQL 转换层发出查询。

在这种情况下if_else，不被视为函数，而是被转换为 SQL 原语的标识符：

dbplyr::translate_sql(if_else(PaymentHistory < 0, 0,if_else(PaymentHistory > 1,1, PaymentHistory)))
# <SQL> CASE WHEN ("PaymentHistory" < 0.0) THEN (0.0) WHEN NOT("PaymentHistory" < 0.0) THEN (CASE WHEN ("PaymentHistory" > 1.0) THEN (1.0) WHEN NOT("PaymentHistory" > 1.0) THEN ("PaymentHistory") END) END

但是如果你传递一个完全限定的命名，它会绕过这个机制，尝试评估函数，最终失败，因为数据库列不在范围内。

恐怕 dplyr 中的名称会与一些用户定义的代码发生冲突。

如您所见，这里根本不需要 dplyr ——在sparklyr管道中调用的函数要么被转换为相应的 SQL 结构，要么如果没有特定的转换规则，则按原样传递并由 Spark SQL 解析引擎（此路径用于调用Spark 函数）。

当然，这种机制不是特定于的sparklyr，您可能会在使用由数据库支持的其他表时看到相同的行为：

library(magrittr)

db <- dplyr::src_sqlite(":memory:", TRUE)
dplyr::copy_to(db, mtcars)

db %>% dplyr::tbl("mtcars") %>% dplyr::mutate(dplyr::if_else(mpg < 20, 1, 0))

Error in dplyr::if_else(mpg < 20, 1, 0) : object 'mpg' not found

推荐阅读