如何将函数应用于 PySpark DataFrame 指定列的每一行

Question

我有一个由三列组成的 PySpark DataFrame，其结构如下。

In[1]: df.take(1)    
Out[1]:
[Row(angle_est=-0.006815859163590619, rwsep_est=0.00019571401752467945, cost_est=34.33651951754235)]

我想要做的是检索第一列 (angle_est) 的每个值，并将其作为参数 xMisallignment 传递给定义的函数以设置特定的属性 class 对象。定义的函数是：

def setMisAllignment(self, xMisallignment):
    if np.abs(xMisallignment) > 0.8:
       warnings.warn('You might set misallignment angle too large.')
    self.MisAllignment = xMisallignment

我正在尝试 select 第一列并将其转换为 rdd，并将上述函数应用于 map() 函数，但它似乎不起作用， MisAllignment 做到了无论如何都不会改变。

df.select(df.angle_est).rdd.map(lambda row: model0.setMisAllignment(row))

In[2]: model0.MisAllignment
Out[2]: 0.00111511718224

任何人有想法帮助我让那个功能工作？提前致谢！

Answer 1

您可以将您的函数注册为类似于以下内容的 spark UDF：

spark.udf.register("misallign", setMisAllignment)

您可以在此测试套件中获得许多创建和注册 UDF 的示例： https://github.com/apache/spark/blob/master/sql/core/src/test/java/test/org/apache/spark/sql/JavaUDFSuite.java

希望它能回答您的问题

如何将函数应用于 PySpark DataFrame 指定列的每一行

How to apply function to each row of specified column of PySpark DataFrame

apache-spark

apache-spark-sql

pyspark

spark-dataframe

pyspark-sql