java - Spark : replace null values in dataframe with mean of column

Question

我如何创建一个 UDF 以编程方式用列平均值替换 spark 数据框中每一列中的空值。例如，在示例数据 col1 中，空值的值为 ((2+4+6+8+5)/5) = 5。

示例数据:

col1    col2    col3
2       null    3
4       3       3
6       5       null
8       null    2
null    6       4
5       2       8

所需数据:

col1    col2    col3
2       4       3
4       3       3
6       5       4
8       4       2
5       6       4
5       2       8

Answer 1

一般来说这里不需要UDF。所有你真的是聚合表:

val df = Seq(
  (Some(2), None, Some(3)), (Some(4), Some(3), Some(3)),
  (Some(6), Some(5), None), (Some(8), None, Some(2)),
  (None, Some(6), Some(4)), (Some(5), Some(2), Some(8))
).toDF("col1", "col2", "col3").alias("df")

val means = df.agg(df.columns.map(c => (c -> "avg")).toMap)

并使用 coalesce 广播笛卡尔:

val exprs = df.columns.map(c => coalesce(col(c), col(s"avg($c)")).alias(c))

df.join(broadcast(means)).select(exprs: _*)