python - pyspark Pandas udf 运行时错误 : Number of columns of the returned doesn't match specified schema

Question

我在下面定义了 Pandas udf

schema2 = StructType([   StructField('sensorid', IntegerType(), True),
    StructField('confidence', DoubleType(), True)]) 

@pandas_udf(schema2,  PandasUDFType.GROUPED_MAP)   
def PreProcess(Indf):   
    confidence=1  
    sensor=Indf.iloc[0,0]   
    df = pd.DataFrame(columns=['sensorid','confidence'])  
    df['sensorid']=[sensor]   
    df['confidence']=[0]   
    return df

然后我将一个带有 3 列的 spark 数据框传递到该 udf

results.groupby("sensorid").apply(PreProcess)

results:
+--------+---------------+---------------+
|sensorid|sensortimestamp|calculatedvalue|
+--------+---------------+---------------+
|  397332|     1596518086|          -39.0|
|  397332|     1596525586|          -31.0|

但我不断收到此错误:

RuntimeError: Number of columns of the returned pandas.DataFrame doesn't match specified schema.Expected: 3 Actual: 4

我可以判断错误试图说什么，但我不明白这个错误是如何弹出的。我以为我正在返回结构中指定的数据框的正确 2 列

Answer 1

apply 已弃用，似乎期望返回相同的输入列，在本例中为 3。尝试使用 applyInPandas 使用预期的输出模式:

results.groupby("sensorid").applyInPandas(PreProcess, schema=schema2)

更新了最新版本的链接。 (Spark 的文档更改和链接已损坏)
在 3.0.0 版中: apply applyInPandas