python - 将 PySpark DataFrame 列中的负值替换为零的最有效方法是什么？

Question

我的目标是将 PySpark.DataFrame 列中的所有负元素替换为零。

输入数据

+------+
| col1 |
+------+
|  -2  |
|   1  |
|   3  |
|   0  |
|   2  |
|  -7  |
|  -14 |
|   3  |
+------+

所需的输出数据

+------+
| col1 |
+------+
|   0  |
|   1  |
|   3  |
|   0  |
|   2  |
|   0  |
|   0  |
|   3  |
+------+

基本上我可以这样做:

df = df.withColumn('col1', F.when(F.col('col1') < 0, 0).otherwise(F.col('col1'))

或者udf可以定义为

import pyspark.sql.functions as F
smooth = F.udf(lambda x: x if x > 0 else 0, IntegerType())
df = df.withColumn('col1', smooth(F.col('col1')))

或

df = df.withColumn('col1', (F.col('col1') + F.abs('col1')) / 2)

或

df = df.withColumn('col1', F.greatest(F.col('col1'), F.lit(0))

我的问题是，哪一种是最有效的方法？ Udf 存在优化问题，因此这绝对不是正确的方法。但我不知道如何比较其他两种情况。一个答案绝对应该是进行实验并比较平均运行时间等等。但我想从理论上比较这些方法(和新方法)。

提前致谢...

Answer 1

您可以简单地创建一个列，在其中输入 if x > 0: x else 0 。这将是最好的方法。

这个问题理论上已经得到解决:Spark functions vs UDF performance?

import pyspark.sql.functions as F

df = df.withColumn("only_positive", F.when(F.col("col1") > 0, F.col("col1")).otherwise(0))

您可以覆盖col1在原始数据框中，如果将其传递给 withColumn()