Pyspark 在数据框上应用函数答案

【问题标题】：Pyspark apply a function on dataframePyspark 在数据框上应用函数
【发布时间】：2020-01-09 20:15:01
【问题描述】：

我的python方法如下；

def leadtime_crossdock_calc(slt, wlt, dow, freq):
    temp_lt = [0, 0, 0, 0, 0, 0, 0]
    remaining = []
    for i in range(0, 7):
        remaining.append((dow[i:] + dow[:i]).index(1))
    for i in range(7):
        if freq[i] == 1:
            supplier_lt = int(slt[i])
            warehouse_lt = int(wlt[(i + supplier_lt) % 7])
            waiting = int(remaining[(i + supplier_lt + warehouse_lt) % 7])
            temp_lt[i] = supplier_lt + warehouse_lt + waiting
    for i in range(7):
        if temp_lt[i] == 0:
            temp_lt[i] = next((value for index, value in enumerate(temp_lt[i:] + temp_lt[:i]) if value), None)
    return ''.join(str(x) for x in temp_lt)

下面的例子；

leadtime_crossdock_calc([0,2,0,2,0,3,0],[1,1,1,1,1,1,1],[0,0,1,0,1,0,1],[0,1,0,1,0,1,0])

'3333443'

问题是，我有一个如下所示的 spark 数据框；

Product  Store  slt               wlt            dow              freq
A         B     [0,2,0,2,0,3,0]  [1,1,1,1,1,1,1] [0,0,1,0,1,0,1]  [0,1,0,1,0,1,0]

我想使用上述方法为数据框中的每个新行创建一个新列；

Product  Store  slt               wlt            dow              freq              result
A         B     [0,2,0,2,0,3,0]  [1,1,1,1,1,1,1] [0,0,1,0,1,0,1]  [0,1,0,1,0,1,0]   [3,3,3,3,4,4,3]

你能帮我解决这个问题吗？我无法将方法应用于 spark 数据帧。

【问题讨论】：

标签： python function dataframe pyspark apache-spark-sql

【解决方案1】：

您可以使用User Defined Functions or UDF 首先在 spark 上注册你的 UDF，指定返回函数类型。你可以使用这样的东西：

from pyspark.sql.types import StringType, col
leadtime_udf = spark.udf.register("leadtime_udf", leadtime_crossdock_calc, StringType())

然后，您可以将该 UDF 应用于您的 DataFrame（或在 Spark SQL 中）

df.select("*", leadtime_udf(col(slt), ... , col(freq)))

希望对你有帮助

【讨论】：