时间戳

首页 > 解决方案 > Scala Spark 在数据帧和数据集中以不同方式处理 Double.NaN

scala - Scala Spark 在数据帧和数据集中以不同方式处理 Double.NaN

问题描述

在测试中，我试图将数据帧/数据集转换为集合并进行比较。例如

actualResult.collect.toSet should be(expectedResult.collect.toSet)

我注意到一些关于Double.NaN价值的事实。

  1. 在 Scala 中，Double.NaN == Double.NaN返回 false。
  2. 在火花NaN == NaN中是真的。（官方文档）

但我无法弄清楚为什么 dataframe 和 dataset 的行为不同。

import org.apache.spark.sql.SparkSession

object Main extends App {
  val spark = SparkSession.builder().appName("Example").master("local").getOrCreate()
  import spark.implicits._

  val dataSet = spark.createDataset(Seq(Book("book 1", Double.NaN)))

  // Compare Set(Book(book 1,NaN)) to itself
  println(dataSet.collect.toSet == dataSet.collect.toSet) //false, why?

  // Compare Set([book 1,NaN]) to itself
  println(dataSet.toDF().collect.toSet == dataSet.toDF().collect.toSet) //true, why?
}

case class Book (title: String, price: Double)

这是我的问题。欣赏任何见解。

  1. 它是如何在代码中发生的？（在哪里equals被覆盖？等..）
  2. 这种设计背后有什么原因吗？是否有更好的范例来在测试中断言数据集/数据框？

标签： scaladataframeapache-sparkdatasetnan

解决方案

关于这个话题，我有几点想分享。

  1. 当您dataSet.collect.toSet将其收集为Set[Book]并在两组书籍对象之间进行比较时。

单个（书）对象相等方法用于您在Book Case 类中定义的比较。 这就是为什么println(dataSet.collect.toSet == dataSet.collect.toSet)返回 false 因为Double.NaN == Double.NaN returns false.

  1. 当你这样做时，dataSet.toDF().collect.toSet你将它收集为Set [Row]

当您执行toDF时，火花将转换**（即序列化 Book 然后反序列化为 javaType 字段Row）** 在此过程中将 Book 类转换为Row它还使用RowEncoders对字段进行一些转换。

使用 RowEncoder.scala 中的以下代码将所有 Primitive 字段转换为 java 类型

def apply(schema: StructType): ExpressionEncoder[Row] = {
    val cls = classOf[Row]
    **val inputObject = BoundReference(0, ObjectType(cls), nullable = true)
    val serializer = serializerFor(AssertNotNull(inputObject, Seq("top level row object")), schema)
    val deserializer = deserializerFor(schema)**
    new ExpressionEncoder[Row](
      schema,
      flat = false,
      serializer.asInstanceOf[CreateNamedStruct].flatten,
      deserializer,
      ClassTag(cls))
  }

如果您检查Double.java 和 Float.java相等方法的源代码。NAN 的比较将返回 true。这就是 Row 对象比较将返回 true 的原因。并且println(dataSet.toDF().collect.toSet == dataSet.toDF().collect.toSet)是真的。

<li>If {@code d1} and {@code d2} both represent
     *     {@code Double.NaN}, then the {@code equals} method
     *     returns {@code true}, even though
     *     {@code Double.NaN==Double.NaN} has the value
     *     {@code false}.
     * <li>If {@code d1} represents {@code +0.0} while
     *     {@code d2} represents {@code -0.0}, or vice versa,
     *     the {@code equal} test has the value {@code false},
     *     even though {@code +0.0==-0.0} has the value {@code true}.
     * </ul>

**对不起，如果我在语法上是错误的。

推荐阅读