python - PySpark 逐行函数组合

Question

作为一个简化的示例，我有一个数据框“df”，其中包含“col1,col2”列，我想在对每一列应用函数后计算逐行最大值:

def f(x):
    return (x+1)

max_udf=udf(lambda x,y: max(x,y), IntegerType())
f_udf=udf(f, IntegerType())

df2=df.withColumn("result", max_udf(f_udf(df.col1),f_udf(df.col2)))

所以如果 df:

col1   col2
1      2
3      0

然后

df2:

col1   col2  result
1      2     3
3      0     4

以上似乎不起作用并产生“无法评估表达式:PythonUDF#f...”

我非常肯定“f_udf”在我的 table 上工作得很好，主要问题在于 max_udf。

在不创建额外列或使用基本 map/reduce 的情况下，有没有办法完全使用数据帧和 udf 来完成上述工作？我应该如何修改“max_udf”？

我也试过了:

max_udf=udf(max, IntegerType())

这会产生相同的错误。

我还确认了以下工作:

df2=(df.withColumn("temp1", f_udf(df.col1))
       .withColumn("temp2", f_udf(df.col2))

df2=df2.withColumn("result", max_udf(df2.temp1,df2.temp2))

为什么我不能一次完成这些？

我希望看到一个可以推广到任何函数“f_udf”和“max_udf”的答案。

Answer 1

我遇到了类似的问题，在 this stackoverflow question 的答案中找到了解决方案

要将多列或整行传递给 UDF，请使用 struct :

from pyspark.sql.functions import udf, struct
from pyspark.sql.types import IntegerType

df = sqlContext.createDataFrame([(None, None), (1, None), (None, 2)], ("a", "b"))

count_empty_columns = udf(lambda row: len([x for x in row if x == None]), IntegerType())

new_df = df.withColumn("null_count", count_empty_columns(struct([df[x] for x in df.columns])))

new_df.show()

返回:

+----+----+----------+
|   a|   b|null_count|
+----+----+----------+
|null|null|         2|
|   1|null|         1|
|null|   2|         1|
+----+----+----------+