使用 Java 在 Apache Spark 中的数据集的单个列上应用函数

Question

假设我有一个数据集：

Dataset<Row> sqlDF = this.spark.sql("SELECT first_name, last_name, age from persons";

这将返回一个包含三列的Dataset：first_name、last_name、age。

我想应用一个函数，将 5 添加到 age 列并返回一个与原始数据集具有相同列但年龄值更改的新数据集：

public int add_age(int old_age){
     return old_age + 5;
}

如何在 Java 上使用 Apache Spark？

Answer 1

我通过创建一个 StructType 并将三列添加到其中解决了这个问题，然后将每一列映射到新构造的行并使用 RowFactory 将函数应用于行列 age：

    StructType customStructType = new StructType();

    customStructType = customStructType.add("first_name", DataTypes.StringType, true);
    customStructType = customStructType.add("last_name", DataTypes.StringType, true);
    customStructType = customStructType.add("age", DataTypes.IntegerType, true);

    ExpressionEncoder<Row> customTypeEncoder = null;
    Dataset<Row> changed_data = sqlDF.map(row->{
          return RowFactory.create(row.get(0),row.get(1), add_age(row.get(2)));
            }, RowEncoder.apply(customStructType));