Spark DataFrame 中的 SumProduct

Question

我想在 Spark DataFrame 中创建跨列的总和。我有一个如下所示的 DataFrame：

id    val1   val2   val3   val4
123   10     5      7      5

我还有一张地图，如下所示：

val coefficents = Map("val1" -> 1, "val2" -> 2, "val3" -> 3, "val4" -> 4)

我想获取 DataFrame 每一列中的值，将其乘以地图中的相应值，然后 return 新列中的结果本质上是这样的：

(10*1) + (5*2) + (7*3) + (5*4) = 61

我试过这个：

val myDF1 = myDF.withColumn("mySum", {var a:Double = 0.0; for ((k,v) <- coefficients) a + (col(k).cast(DoubleType)*coefficients(k));a})

但出现“+”方法重载的错误。即使我解决了这个问题，我也不确定这是否可行。有任何想法吗？我总是可以动态地构建一个 SQL 查询作为文本字符串并以这种方式进行，但我希望得到更多 eloquent.

欢迎任何想法。

Answer 1

看起来问题是您实际上没有对 a

做任何事情

for((k, v) <- coefficients) a + ...

你的意思可能是a += ...

此外，关于清理 withColumn 调用中的代码块的一些建议：

您不需要调用 coefficients(k)，因为您已经从 for((k,v) <- coefficients)

中获得了 v 中的值

Scala 非常擅长制作单行代码，但如果你必须在一行中放置分号，那就有点作弊了:P 我建议将总和计算部分分成一行，每个表达式。

求和表达式可以重写为 fold，这样可以避免使用 var（惯用的 Scala 通常会避免使用 var），例如

import org.apache.spark.sql.functions.lit

coefficients.foldLeft(lit(0.0)){ 
  case (sumSoFar, (k,v)) => col(k).cast(DoubleType) * v + sumSoFar
}

Answer 2

我不确定这是否可以通过 DataFrame API 因为您只能使用列而不是任何预定义的闭包（例如您的参数映射）。

我在下面概述了使用 DataFrame 的底层 RDD 的方法：

import org.apache.spark.sql.types._
import org.apache.spark.sql.Row

// Initializing your input example.
val df1 = sc.parallelize(Seq((123, 10, 5, 7, 5))).toDF("id", "val1", "val2", "val3", "val4")

// Return column names as an array
val names = df1.columns

// Grab underlying RDD and zip elements with column names
val rdd1 = df1.rdd.map(row => (0 until row.length).map(row.getInt(_)).zip(names))

// Tack on accumulated total to the existing row
val rdd2 = rdd0.map { seq => Row.fromSeq(seq.map(_._1) :+ seq.map { case (value: Int, name: String) => value * coefficents.getOrElse(name, 0) }.sum) }

// Create output schema (with total)
val totalSchema = StructType(df1.schema.fields :+ StructField("total", IntegerType))

// Apply schema to create output dataframe
val df2 = sqlContext.createDataFrame(rdd1, totalSchema)

// Show output:
df2.show()
...
+---+----+----+----+----+-----+
| id|val1|val2|val3|val4|total|
+---+----+----+----+----+-----+
|123|  10|   5|   7|   5|   61|
+---+----+----+----+----+-----+

Answer 3

您的代码存在问题，因为您尝试将 Column 添加到 Double。 cast(DoubleType) 只影响一种类型的存储值，而不影响一种类型的列本身。由于 Double 不提供 *(x: org.apache.spark.sql.Column): org.apache.spark.sql.Column 方法，一切都失败了。

要使其正常工作，您可以执行以下操作：

import org.apache.spark.sql.Column
import org.apache.spark.sql.functions.{col, lit}

val df = sc.parallelize(Seq(
    (123, 10, 5, 7, 5), (456,  1, 1, 1, 1)
)).toDF("k", "val1", "val2", "val3", "val4")

val coefficients = Map("val1" -> 1, "val2" -> 2, "val3" -> 3, "val4" -> 4)

val dotProduct: Column = coefficients
  // To be explicit you can replace
  // col(k) * v with col(k) * lit(v)
  // but it is not required here
  // since we use * f Column.* method not Int.*
  .map{ case (k, v) => col(k) * v }  // * -> Column.*
  .reduce(_ + _)  // + -> Column.+

df.withColumn("mySum", dotProduct).show
// +---+----+----+----+----+-----+
// |  k|val1|val2|val3|val4|mySum|
// +---+----+----+----+----+-----+
// |123|  10|   5|   7|   5|   61|
// |456|   1|   1|   1|   1|   10|
// +---+----+----+----+----+-----+

Spark DataFrame 中的 SumProduct

SumProduct in Spark DataFrame

scala

dataframe

apache-spark

apache-spark-sql