- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在 AWS Glue 中,我需要将浮点值(摄氏度转换为华氏度)并使用 UDF。
以下是我的UDF:
toFahrenheit = udf(lambda x: '-1' if x in not_found else x * 9 / 5 + 32, StringType())
我在 spark 数据框中使用如下 UDF:
weather_df.withColumn("new_tmax", toFahrenheit(weather_df["tmax"])).drop("tmax").withColumnRenamed("new_tmax","tmax")
当我运行代码时,收到错误消息:
IllegalArgumentException: u"requirement failed: The number of columns doesn't match.\nOld column names (11): station, name, latitude, longitude, elevation, date, awnd, prcp, snow, tmin, tmax\nNew column names (0): "
不确定如何调用 UDF,因为我是 python/pyspark 的新手,而且我的新列模式没有创建,而且是空的。
用于上述示例的代码片段是:
%pyspark
import sys
from pyspark.context import SparkContext
from awsglue.context import GlueContext
from awsglue.context import DynamicFrame
from awsglue.transforms import *
from awsglue.utils import getResolvedOptions
from awsglue.job import Job
from pyspark.sql import SparkSession
from pyspark.sql.functions import udf
from pyspark.sql.types import StringType
glueContext = GlueContext(SparkContext.getOrCreate())
weather_raw = glueContext.create_dynamic_frame.from_catalog(database = "ohare-airport-2006", table_name = "ohare_intl_airport_2006_08_climate_csv")
print "cpnt : ", weather_raw.count()
weather_raw.printSchema()
weather_raw.toDF().show(10)
#UDF to convert the air temperature from celsius to fahrenheit (For sample transformation)
#toFahrenheit = udf((lambda c: c[1:], c * 9 / 5 + 32)
toFahrenheit = udf(lambda x: '-1' if x in not_found_cat else x * 9 / 5 + 32, StringType())
#Apply the UDF to maximum and minimum air temperature
wthdf = weather_df.withColumn("new_tmin", toFahrenheit(weather_df["tmin"])).withColumn("new_tmax", toFahrenheit(weather_df["tmax"])).drop("tmax").drop("tmin").withColumnRenamed("new_tmax","tmax").withColumnRenamed("new_tmin","tmin")
wthdf.toDF().show(5)
架构
weather_df:
root
|-- station: string
|-- name: string
|-- latitude: double
|-- longitude: double
|-- elevation: double
|-- date: string
|-- awnd: double
|-- fmtm: string
|-- pgtm: string
|-- prcp: double
|-- snow: double
|-- snwd: long
|-- tavg: string
|-- tmax: long
|-- tmin: long
错误轨迹:
Traceback (most recent call last):
File "/tmp/zeppelin_pyspark-3684249459612979499.py", line 349, in <module>
raise Exception(traceback.format_exc())
Exception: Traceback (most recent call last):
File "/tmp/zeppelin_pyspark-3684249459612979499.py", line 342, in <module>
exec(code)
File "<stdin>", line 3, in <module>
File "/usr/lib/spark/python/pyspark/sql/dataframe.py", line 1558, in toDF
jdf = self._jdf.toDF(self._jseq(cols))
File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
answer, self.gateway_client, self.target_id, self.name)
File "/usr/lib/spark/python/pyspark/sql/utils.py", line 79, in deco
raise IllegalArgumentException(s.split(': ', 1)[1], stackTrace)
IllegalArgumentException: u"requirement failed: The number of columns doesn't match.\nOld column names (11): station, name, latitude, longitude, elevation, date, awnd, prcp, snow, tmin, tmax\nNew column names (0): "
谢谢
最佳答案
以上解决方法(摄氏度转华氏度),仅供引用:
#UDF to convert the air temperature from celsius to fahrenheit
toFahrenheit = udf(lambda x: x * 9 / 5 + 32, StringType())
weather_in_Fahrenheit = weather_df.withColumn("new_tmax", toFahrenheit(weather_df["tmax"])).withColumn("new_tmin", toFahrenheit(weather_df["tmin"])).drop("tmax").drop("tmin").withColumnRenamed("new_tmax","tmax").withColumnRenamed("new_tmin","tmin")
weather_in_Fahrenheit.show(5)
原始数据样本:
+-----------+--------------------+---------+--------+---------+----+----+----+----+----------+
| station| name|elevation|latitude|longitude|prcp|snow|tmax|tmin| date|
+-----------+--------------------+---------+--------+---------+----+----+----+----+----------+
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 25| 11|2013-01-01|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 30| 10|2013-01-02|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 29| 18|2013-01-03|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 36| 13|2013-01-04|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336|0.03| 0.4| 39| 18|2013-01-05|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 36| 18|2013-01-06|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 41| 15|2013-01-07|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 44| 22|2013-01-08|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336| 0.0| 0.0| 50| 27|2013-01-09|
|USW00094846|CHICAGO OHARE INT...| 201.8| 41.995| -87.9336|0.63| 0.0| 45| 22|2013-01-10|
+-----------+--------------------+---------+--------+---------+----+----+----+----+----------+
将 UDF 应用于华氏温度后:
+-----------+--------------------+--------+---------+---------+----------+-----+----+----+----+----+
| station| name|latitude|longitude|elevation| date| awnd|prcp|snow|tmax|tmin|
+-----------+--------------------+--------+---------+---------+----------+-----+----+----+----+----+
|USW00094846|CHICAGO OHARE INT...| 41.995| -87.9336| 201.8|2013-01-01| 8.5| 0.0| 0.0| 77| 51|
|USW00094846|CHICAGO OHARE INT...| 41.995| -87.9336| 201.8|2013-01-02| 8.05| 0.0| 0.0| 86| 50|
|USW00094846|CHICAGO OHARE INT...| 41.995| -87.9336| 201.8|2013-01-03|11.41| 0.0| 0.0| 84| 64|
|USW00094846|CHICAGO OHARE INT...| 41.995| -87.9336| 201.8|2013-01-04| 13.2| 0.0| 0.0| 96| 55|
|USW00094846|CHICAGO OHARE INT...| 41.995| -87.9336| 201.8|2013-01-05| 9.62|0.03| 0.4| 102| 64|
+-----------+--------------------+--------+---------+---------+----------+-----+----+----+----+----+
关于pyspark - AWS Glue pyspark UDF,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49179884/
我在数据框中有一列月份数字,想将其更改为月份名称,所以我使用了这个: df['monthName'] = df['monthNumber'].apply(lambda x: calendar.mont
Pyspark 中是否有一个 input() 函数,我可以通过它获取控制台输入。如果是,请详细说明一下。 如何在 PySpark 中编写以下代码: directory_change = input("
我们正在 pyspark 中构建数据摄取框架,并想知道处理数据类型异常的最佳方法是什么。基本上,我们希望有一个拒绝表来捕获所有未与架构确认的数据。 stringDf = sparkSession.cr
我正在开发基于一组 ORC 文件的 spark 数据框的 sql 查询。程序是这样的: from pyspark.sql import SparkSession spark_session = Spa
我有一个 Pyspark 数据框( 原始数据框 )具有以下数据(所有列都有 字符串 数据类型): id Value 1 103 2
我有一台配置了Redis和Maven的服务器 然后我执行以下sparkSession spark = pyspark .sql .SparkSession .builder .master('loca
从一些简短的测试来看,pyspark 数据帧的列删除功能似乎不区分大小写,例如。 from pyspark.sql import SparkSession from pyspark.sql.funct
我有: +---+-------+-------+ | id| var1| var2| +---+-------+-------+ | a|[1,2,3]|[1,2,3]| | b|[2,
从一些简短的测试来看,pyspark 数据帧的列删除功能似乎不区分大小写,例如。 from pyspark.sql import SparkSession from pyspark.sql.funct
我有一个带有多个数字列的 pyspark DF,我想为每一列根据每个变量计算该行的十分位数或其他分位数等级。 这对 Pandas 来说很简单,因为我们可以使用 qcut 函数为每个变量创建一个新列,如
我有以下使用 pyspark.ml 包进行线性回归的代码。但是,当模型适合时,我在最后一行收到此错误消息: IllegalArgumentException: u'requirement failed
我有一个由 | 分隔的平面文件(管道),没有引号字符。示例数据如下所示: SOME_NUMBER|SOME_MULTILINE_STRING|SOME_STRING 23|multiline text
给定如下模式: root |-- first_name: string |-- last_name: string |-- degrees: array | |-- element: struc
我有一个 pyspark 数据框如下(这只是一个简化的例子,我的实际数据框有数百列): col1,col2,......,col_with_fix_header 1,2,.......,3 4,5,.
我有一个数据框 +------+--------------------+-----------------+---- | id| titulo |tipo | formac
我从 Spark 数组“df_spark”开始: from pyspark.sql import SparkSession import pandas as pd import numpy as np
如何根据行号/行索引值删除 Pyspark 中的行值? 我是 Pyspark(和编码)的新手——我尝试编码一些东西,但它不起作用。 最佳答案 您不能删除特定的列,但您可以使用 filter 或其别名
我有一个循环生成多个因子表的输出并将列名存储在列表中: | id | f_1a | f_2a | |:---|:----:|:-----| |1 |1.2 |0.95 | |2 |0.7
我正在尝试将 hql 脚本转换为 pyspark。我正在努力如何在 groupby 子句之后的聚合中实现 case when 语句的总和。例如。 dataframe1 = dataframe0.gro
我想添加新的 2 列值服务 arr 第一个和第二个值 但我收到错误: Field name should be String Literal, but it's 0; production_targe
我是一名优秀的程序员,十分优秀!