Pyspark SQL Pandas UDF：返回一个数组

Question

我正在尝试制作一个 pandas UDF，它接收具有整数值的两列，并根据这些值之间的差异返回一个长度等于上述差异的小数数组。

到目前为止，这是我的尝试，我一直在用很多不同的方法来尝试让它发挥作用，但这是总体思路

import pandas as pd

@pandas_udf(ArrayType(DecimalType()), PandasUDFType.SCALAR)
def zero_pad(x, y):
  buffer = []

  for i in range(0, (x - y)):
    buffer.append(0.0)

  return buffer #correction provided by Ali Yessili

这是我如何使用它的示例

df = df.withColumn("zero_list", zero_pad(df.x, df.y))

最终结果是 df，其中一个名为 zero_list 的新列是一个 ArrayType(DecimalType()) 列，看起来像 [0.0, 0.0, 0.0, ...]，其长度为 (df.x - df.y)

错误消息太笼统了，几乎不值得发布，只是“作业因阶段失败而中止”，它只能追溯到我执行df.show() 的代码部分，

Py4JJavaError                             Traceback (most recent call last)
<command-103561> in <module>()
---> 33 df.orderBy("z").show(n=1000)

/databricks/spark/python/pyspark/sql/dataframe.py in show(self, n, truncate, vertical)
    350         """
    351         if isinstance(truncate, bool) and truncate:
--> 352             print(self._jdf.showString(n, 20, vertical))
    353         else:
    354             print(self._jdf.showString(n, int(truncate), vertical))

/databricks/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py in __call__(self, *args)
   1255         answer = self.gateway_client.send_command(command)
   1256         return_value = get_return_value(
-> 1257             answer, self.gateway_client, self.target_id, self.name)
   1258 
   1259         for temp_arg in temp_args:

我希望有人能指出我正确的方向来制作一个将返回可变长度数组的 pandas udf，或者只是告诉我为什么我的代码或方法是错误的。

我正在使用带有 spark 2.3.1 的数据块来完成所有这些工作。

Answer 1

这个问题是大约一年前的问题，但我遇到了同样的问题，这是我使用pandas_udf 的解决方案：

import pandas as pd
from pyspark.sql.functions import pandas_udf, PandasUDFType
from pyspark.sql.types import *

@pandas_udf(ArrayType(IntegerType()), PandasUDFType.SCALAR)
def zero_pad(xs,ys):
    buffer = []
    for idx, x in enumerate(xs):
        buffer.append([0]*int(x-ys[idx]))

    return pd.Series(buffer)

df = df.withColumn("zero_list", zero_pad(df.x, df.y))

Answer 2

我不明白您为什么要从函数返回 pandas Series 值。它为每个输入返回多行。

>>> import pandas as pd
>>> def zero_pad(x, y):
...     buffer = []
...     for i in range(0, (x - y)):
...             buffer.append(0.0)
...     return pd.Series(buffer)
... 
>>> zero_pad(5,1)
0    0.0
1    0.0
2    0.0
3    0.0
dtype: float64

因此，您不能添加具有多行结果的列。

另一方面，您不能在 withColumn 语句中直接使用 udf。请在下面查看我的脚本，我认为结果正是您想要的

>>> from pyspark.sql.functions import udf
>>> 
>>> data = sc.parallelize([
...     (2,1),
...     (8,1),
...     (5,2),
...     (6,4)])
>>> columns = ['x','y']
>>> df = spark.createDataFrame(data, columns)
>>> df.show()
+---+---+
|  x|  y|
+---+---+
|  2|  1|
|  8|  1|
|  5|  2|
|  6|  4|
+---+---+

>>> def zero_pad(x, y):
...     buffer = []
...     for i in range(0, (x - y)):
...             buffer.append(0.0)
...     return buffer
... 
>>> my_udf = udf(zero_pad)
>>> df = df.withColumn("zero_list", my_udf(df.x, df.y))
>>> df.show()
+---+---+--------------------+
|  x|  y|           zero_list|
+---+---+--------------------+
|  2|  1|               [0.0]|
|  8|  1|[0.0, 0.0, 0.0, 0...|
|  5|  2|     [0.0, 0.0, 0.0]|
|  6|  4|          [0.0, 0.0]|
+---+---+--------------------+