apache-spark - Spark : cast decimal without changing nullable property of column

Question

将列转换为 DecimalType在 DataFrame似乎改变了可空属性。具体来说，我有一个类型为 DecimalType(12, 4) 的不可为空的列。我把它转换到 DecimalType(38, 9)使用 df.withColumn(columnName, df.col(columnName).cast(dataType)) .这会产生一个具有预期数据类型的字段，但该字段现在可以为空。有没有办法在不更改列的可为空属性的情况下进行转换？

我在 Spark 2.2.1 和 Spark 2.3.0 中都观察到了这种行为。

Answer 1

谢谢你的有趣观点。我深入研究了源代码以了解这种行为，而 IMO 的答案是在 Cast.scala 中表示强制转换表达式。公开可空性的属性是这样计算的:

override def nullable: Boolean = Cast.forceNullable(child.dataType, dataType) || child.nullable

  def forceNullable(from: DataType, to: DataType): Boolean = (from, to) match {
  case (NullType, _) => true
  case (_, _) if from == to => false

  case (StringType, BinaryType) => false
  case (StringType, _) => true
  case (_, StringType) => false

  case (FloatType | DoubleType, TimestampType) => true
  case (TimestampType, DateType) => false
  case (_, DateType) => true
  case (DateType, TimestampType) => false
  case (DateType, _) => true
  case (_, CalendarIntervalType) => true

  case (_, _: DecimalType) => true  // overflow
  case (_: FractionalType, _: IntegralType) => true  // NaN, infinity
  case _ => false
}

如您所见，从任何类型到 DecimalType 的转换始终返回可空类型。我想知道为什么，这可能是因为这里表达的溢出风险:

/**
 * Change the precision / scale in a given decimal to those set in `decimalType` (i  f any),
 * returning null if it overflows or modifying `value` in-place and returning it if successful.
 *
 * NOTE: this modifies `value` in-place, so don't call it on external data.
 */
private[this] def changePrecision(value: Decimal, decimalType: DecimalType): Decimal = {
  if (value.changePrecision(decimalType.precision,   decimalType.scale)) value else null
}

changePrecision方法依次检查是否可以修改精度，如果是，则返回 true，否则返回 false。它解释了为什么上述方法可以返回 null 以及为什么 DecimalType 在独立于源类型强制转换时默认设置为可空。

由于 IMO，没有简单的方法来保持原始列的可空性。也许您可以尝试查看 UserDefinedTypes 并构建自己的、保留源属性的 DecimalType ？但 IMO 的可空性并非没有原因，我们会尊重这一点，以避免在管道中迟早出现一些糟糕的意外。