如何将函数应用于 Spark DataFrame 的列？

Question

假设我们有一个 Spark DataFrame

df.getClass
Class[_ <: org.apache.spark.sql.DataFrame] = class org.apache.spark.sql.DataFrame

具有以下架构

df.printSchema
root
|-- rawFV: string (nullable = true)
|-- tk: array (nullable = true)
|    |-- element: string (containsNull = true)

鉴于 tk 列的每一行都是一个字符串数组，如何编写一个 Scala 函数来 return 每行中的元素数？

Answer 1

一种方法是使用如下所示的 sql 访问它们。

df.registerTempTable("tab1")
val df2 = sqlContext.sql("select tk[0], tk[1] from tab1")

df2.show()

要获取数组列的大小，

val df3 = sqlContext.sql("select size(tk) from tab1")
df3.show()

如果您的 Spark 版本较旧，您可以使用 HiveContext 而不是 Spark 的 SQL Context。

我也会尝试一些遍历的东西。

Answer 2

您不必编写自定义函数，因为有一个：

import org.apache.spark.sql.functions.size

df.select(size($"tk"))

如果你真的想要你可以写一个udf:

import org.apache.spark.sql.functions.udf

val size_ = udf((xs: Seq[String]) => xs.size)

甚至创建自定义表达式，但实际上没有任何意义。

How to apply a function to a column of a Spark DataFrame?