时间戳

首页 > 解决方案 > pyspark 分组映射 IllegalArgumentException 错误

python - pyspark 分组映射 IllegalArgumentException 错误

问题描述

我无法让 GROUPED_MAP 在 pyspark 中工作。我尝试使用示例代码，包括来自 spark git repo 的一些代码，但没有成功。任何关于我需要改变的建议都表示赞赏。

例如：

from pyspark.sql import SparkSession
from pyspark.sql.utils import require_minimum_pandas_version, require_minimum_pyarrow_version

require_minimum_pandas_version()
require_minimum_pyarrow_version()


from pyspark.sql.functions import pandas_udf, PandasUDFType
spark = SparkSession.builder.master("local[*]").getOrCreate()
df = spark.createDataFrame(
    [(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],
    ("id", "v"))

@pandas_udf("id long, v double", PandasUDFType.GROUPED_MAP)
def subtract_mean(pdf):
    # pdf is a pandas.DataFrame
    v = pdf.v
    return pdf.assign(v=v - v.mean())

df.groupby("id").apply(subtract_mean).show()

给我错误：


py4j.protocol.Py4JJavaError: An error occurred while calling o61.showString.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 44 in stage 7.0 failed 1 times, most recent failure: Lost task 44.0 in stage 7.0 (TID 128, localhost, executor driver): java.lang.IllegalArgumentException

我相信 pyspark 设置正确，因为这对我来说成功运行：

from pyspark.sql.functions import udf, struct, col
from pyspark.sql.types import * 
from pyspark.sql import SparkSession
import pyspark.sql.functions as func
import pandas as pd


spark = SparkSession.builder.master("local[*]").getOrCreate()

def sum_diff(f1, f2):
    return [f1 + f2, f1-f2]

schema = StructType([
    StructField("sum", FloatType(), False),
    StructField("diff", FloatType(), False)
])

sum_diff_udf = udf(lambda row: sum_diff(row[0], row[1]), schema)

df = spark.createDataFrame(pd.DataFrame([[1., 2.], [2., 4.]], columns=['f1', 'f2']))

df_new = df.withColumn("sum_diff", sum_diff_udf(struct([col('f1'), col('f2')])))\
    .select('*', 'sum_diff.*')
df_new.show()

标签： pythonpyspark

解决方案

我遇到过同样的问题。对我来说，它是通过使用推荐版本的 PyArrow (0.15.1) 并在conf/spark-env.sh我使用 Spark 2.4.x 时设置一个环境变量以实现向后兼容性来解决的：

ARROW_PRE_0_15_IPC_FORMAT=1

在此处查看完整说明。请注意，对于 Windows，您需要重命名conf/spark-env.sh为，conf/spark-env.cmd因为它不会获取 bash 脚本。在这种情况下，环境变量是：

set ARROW_PRE_0_15_IPC_FORMAT=1

推荐阅读