numpy - 使用 numpy 数组输入从 python 方法创建 PySpark UDF,以计算并返回单个浮点值
问题描述
作为输入,我有一个包含 int 值的 csv 文件。
spark_df = spark.read.option("header", "false").csv("../int_values.csv")
df = spark_df.selectExpr("_c0 as something")
_df = df.withColumn("values", df.something.cast(FloatType())).select("values")
我还有一些为 numpy 数组输入设计的 python 函数,我需要在 Spark DataFrame 上应用它们。
示例一:
def calc_sum(float_array):
return np.sum(float_array)
实际功能:
def calc_rms(float_array):
return np.sqrt(np.mean(np.diff(float_array)**2))
对于 1. 示例,您可以使用 SQL sum,例如:
_df.groupBy().sum().collect()
但是,我需要一个将这些函数转换为 Spark UDF 的标准解决方案
我尝试了很多方法,例如:
udf_sum = udf(lambda x : calc_sum(x), FloatType())
_df.rdd.flatMap(udf_sum).collect()
但它总是失败:
TypeError:参数无效,不是字符串或列:<class 'pyspark.sql.types.Row'> 类型的行(值 = 1114.0)。对于列文字,使用“lit”、“array”、“struct”或“create_map”函数。
是否可以以与这些功能一起使用的方式转换数据?
数据框示例:
In [6]: spark_df.show()
+----+
| _c0|
+----+
|1114|
|1113|
|1066|
|1119|
|1062|
|1089|
|1093|
| 975|
|1099|
|1062|
|1062|
|1162|
|1057|
|1123|
|1141|
|1089|
|1172|
|1096|
|1164|
|1146|
+----+
only showing top 20 rows
预期输出:
从 UDF 返回的浮点值。
对于 Sum 函数,它应该很清楚。
解决方案
您想要的是 groupby 并用于collect_list
将所有整数值放入数组列中,然后在该列上应用您的 UDF。此外,您需要从以下位置显式返回浮点数calc_rms
:
from pyspark.sql import functions as F
from pyspark.sql.types import FloatType
def calc_rms(float_array):
return float(np.sqrt(np.mean(np.diff(float_array) ** 2)))
calc_rms_udf = F.udf(calc_rms, FloatType())
df.groupby().agg(F.collect_list("_c0").alias("_c0")) \
.select(calc_rms_udf(F.col("_c0")).alias("rms")) \
.show()
#+--------+
#| rms|
#+--------+
#|67.16202|
#+--------+
推荐阅读
- android - ImageView 无法使用布局权重调整大小
- php - 如何为我的 laravel 网站制作多个模板?(我的意思是前端模板不是 laravel 模板引擎)
- sql - 指定限制的 SQL 最大值
- javascript - 使用要显示的内容调整 HTML 表格,Angular
- outlook - Outlook REST API - 发送为
- java - Hibernate4 更新不起作用 - LocalSessionFactoryBean
- python - jinja2 - 遍历字典
- angularjs - Angular js中控制器之间的数据共享
- android - 找不到 com.android.tools.build:gradle:3.3.1
- javascript - OpenLayers:地图不使用非“标准”EPSG 代码渲染