我想把一个自定义项改写成Pandas自定义项。
但是，当涉及到包含arraytype的列时。我正在努力寻找正确的解决办法。
我有一个Dataframe如下：
+-----------+--------------------+
| genre| ids|
+-----------+--------------------+
| Crime|[6, 22, 42, 47, 5...|
| Romance|[3, 7, 11, 15, 17...|
| Thriller|[6, 10, 16, 18, 2...|
| Adventure|[2, 8, 10, 15, 29...|
| Children|[1, 2, 8, 13, 34,...|
| Drama|[4, 11, 14, 16, 1...|
| War|[41, 110, 151, 15...|
|Documentary|[37, 77, 99, 108,...|
| Fantasy|[2, 56, 60, 126, ...|
| Mystery|[59, 113, 123, 16...|
+-----------+--------------------+以下自定义项效果良好：
pairs_udf = udf(lambda x: itertools.combinations(x, 2), transformer.schema)
df = df.select("genre", pairs_udf("ids").alias("ids"))输出如下：
+-----------+--------------------+
| genre| ids|
+-----------+--------------------+
| Crime|[[6, 22], [6, 42]...|
| Romance|[[3, 7], [3, 11],...|
| Thriller|[[6, 10], [6, 16]...|
| Adventure|[[2, 8], [2, 10],...|
| Children|[[1, 2], [1, 8], ...|
| Drama|[[4, 11], [4, 14]...|
| War|[[41, 110], [41, ...|
|Documentary|[[37, 77], [37, 9...|
| Fantasy|[[2, 56], [2, 60]...|
| Mystery|[[59, 113], [59, ...|
+-----------+--------------------+但是，在中编写函数时，什么是等价的 pandas udf .
ps：我明白，或者，我可以使用交叉连接来实现相同的结果。
但是，我更好奇的是，pandas udf如何使用arraytype处理列。
1条答案
按热度按时间bzzcjhmw1#
我将在这里分享我的发现：
有三个方面可以使Pandas自定义项在您的项目中发挥作用：
1. pandas udf，或者更准确地说，apachearrow不支持复杂类型作为普通udf剂量
例如。：
ArrayType(StringType())由Pandas自定义项支持。ArrayType(SturctType([...]))不支持。您可以查看更多：https://spark.apache.org/docs/latest/sql-pyspark-pandas-with-arrow.html#supported-sql类型2. 如果您运行的是java11，这是（py）spark3中的默认值。您需要在spark配置中添加以下内容：
这将解决问题
java.lang.UnsupportedOperationException如上所述。3. 确保将虚拟环境python路径添加到python中
即。
environ['PYSPARK_PYTHON']='./your/virutal/enviroment/path'