我正在 Apache spark 中使用大约 10M 条记录的 Scala（除了一个字段，其余 331 可以为空）处理巨大的数据集（包含 332 个字段）。但我想用空白字符串（“”）替换 null。由于我有大量字段，因此实现这一目标的最佳方法是什么？ 我想在导入此数据集时处理空值，以便在执行转换或导出到 DF 时安全。所以我创建了具有 332 个字段的案例类，处理这些空值的最佳方法是什么？我可以使用 Option(field).getOrElse("")，但我想这不是最好的方法，因为我有大量的字段。谢谢！！
【问题讨论】：
标签： scala apache-spark apache-spark-sql spark-dataframe
我们可以使用udf 来获取这样的安全列
val df = Seq((1,"Hello"), (2,"world"), (3,null)).toDF("id", "name")
val safeString: String => String = s => if (s == null) "" else s
val udfSafeString = udf(safeString)
val dfSafe = df.select($"id", udfSafeString($"name").alias("name"))
dfSafe.show
如果您有很多列，并且其中一列是关键列。我们可以这样做。
val safeCols = df.columns.map(colName =>
if (colName == "id") col(colName)
else udfSafeString(col(colName)).alias(colName))
val dfSafe = df.select(safeCols:_*)
dfSafe.show
【讨论】：
您应该查看 DataFrameNAFunctions。有一些函数可以将不同类型字段中的空值替换为默认值。
val naFunctions = explodeDF.na
val nonNullDF = naFunctions.fill("")
这会将字符串字段中的所有空值替换为“”。
如果您的数据集有一些具有不同数据类型的字段，那么您必须通过提供该特定类型的默认值来重复相同的功能。例如，可以为 Int 字段赋予默认值 0。
【讨论】：