如何在 Pyspark 中使用数据框中的函数 withColumn 函数？

Question

我定义了一些字典和函数：

dict_TEMPERATURE = {(0, 70): 'Low', (70.01, 73.99): 'Normal-Low',(74, 76): 'Normal', (76.01, 80): 'Normal-High', (80.01, 300): 'High'}
...
hierarchy_dict = {'TEMP': dict_TEMPERATURE, 'PRESS': dict_PRESSURE, 'SH_SP': dict_SHAFT_SPEED, 'POI': dict_POI, 'TRIG': dict_TRIGGER}



def function_definition(valor, atributo):

    dict_atributo = hierarchy_dict[atributo]
    valor_generalizado = None

    if isinstance(valor, (int, long, float, complex)):

        for key, value in dict_atributo.items():

            if(isinstance(key, tuple)):
                lista = list(key)

                if (valor > key[0] and valor < key[1]):
                    valor_generalizado = value

    else: # if it is not numeric
        valor_generalizado = dict_atributo.get(valor)


    return valor_generalizado

这个函数主要做的是：检查作为参数传递给“function_definition”函数的值，并根据其字典的引用替换它的值。

所以，如果我调用“function_definition(60, 'TEMP')”，它将返回 'LOW'。

另一方面，我有一个具有下一个结构的数据框（这是一个示例）：

+----+-----+-----+---+----+
|TEMP|SH_SP|PRESS|POI|TRIG|
+----+-----+-----+---+----+
|   0|    1|    2|  0|   0|
|   0|    2|    3|  1|   1|
|   0|    3|    4|  2|   1|
|   0|    4|    5|  3|   1|
|   0|    5|    6|  4|   1|
|   0|    1|    2|  5|   1|
+----+-----+-----+---+----+

我要做的是根据上面定义的函数替换数据框一列的值，所以我有下一个代码行：

dataframe_new = dataframe.withColumn(atribute_name, function_definition(dataframe[atribute_name], atribute_name))

但我在执行时收到下一条错误消息：

AssertionError: col should be Column

我的代码有什么问题？怎么会这样？

Answer 1

您的 function_definition(valor,atributo) 为单个 valor 返回单个字符串 (valor_generalizado)。

AssertionError: col should be Column 表示您正在向WithColumn(colName,col) 传递一个不是列的参数。 因此，您必须转换您的数据，以便拥有 Column，例如如下所示。

以数据框为例（与您的结构相同）：

a = [(10.0,1.2),(73.0,4.0)] # like your dataframe, this is only an example

dataframe = spark.createDataFrame(a,["tp", "S"]) # tp and S are random names for these columns

dataframe.show()
+----+---+
|  tp|  S|
+----+---+
|10.0|1.2|
|73.0|4.0|
+----+---+

如你所见here

udf 创建一个表示用户定义函数 (UDF) 的 Column 表达式。

解决方案：

from pyspark.sql.functions import udf

attr = 'TEMP'
udf_func = udf(lambda x: function_definition(x,attr),returnType=StringType())

dataframe_new = dataframe.withColumn("newCol",udf_func(dataframe.tp))
dataframe_new.show()

+----+---+----------+
|  tp|  S|    newCol|
+----+---+----------+
|10.0|1.2|       Low|
|73.0|4.0|Normal-Low|
+----+---+----------+