用ArrayType列将UDF重写成熊猫udf

Question

我正试着把UDF改写成熊猫UDF。

但是，当涉及到包含ArrayType的列时。我正在努力寻找正确的解决办法。

我有如下数据：

+-----------+--------------------+
|      genre|                 ids|
+-----------+--------------------+
|      Crime|[6, 22, 42, 47, 5...|
|    Romance|[3, 7, 11, 15, 17...|
|   Thriller|[6, 10, 16, 18, 2...|
|  Adventure|[2, 8, 10, 15, 29...|
|   Children|[1, 2, 8, 13, 34,...|
|      Drama|[4, 11, 14, 16, 1...|
|        War|[41, 110, 151, 15...|
|Documentary|[37, 77, 99, 108,...|
|    Fantasy|[2, 56, 60, 126, ...|
|    Mystery|[59, 113, 123, 16...|
+-----------+--------------------+

以下UDF运行良好：

pairs_udf = udf(lambda x: itertools.combinations(x, 2), transformer.schema)
df = df.select("genre", pairs_udf("ids").alias("ids"))

输出如下：

+-----------+--------------------+
|      genre|                 ids|
+-----------+--------------------+
|      Crime|[[6, 22], [6, 42]...|
|    Romance|[[3, 7], [3, 11],...|
|   Thriller|[[6, 10], [6, 16]...|
|  Adventure|[[2, 8], [2, 10],...|
|   Children|[[1, 2], [1, 8], ...|
|      Drama|[[4, 11], [4, 14]...|
|        War|[[41, 110], [41, ...|
|Documentary|[[37, 77], [37, 9...|
|    Fantasy|[[2, 56], [2, 60]...|
|    Mystery|[[59, 113], [59, ...|
+-----------+--------------------+

但是，在用pandas udf编写函数时，什么是等价的。

PS:我明白，或者，我可以用交叉连接来达到同样的效果.

但是，我更好奇的是熊猫udf是如何用ArrayType处理专栏的。

Answer 1

我将在此分享我的发现：

为了让熊猫udf为您的项目工作，有三个方面：

1.熊猫UDF，或者更准确地说，Apache不像普通udf那样支持复杂类型。( pyspark 3.0.1，pyarrow 2.0.0)

例如：

• ArrayType(StringType())是由熊猫支持的，udf.
• ArrayType(StructType([...]))是不受支持的。您可以查看更多内容：https://spark.apache.org/docs/latest/sql-pyspark-pandas-with-arrow.html#supported-sql-types

2.如果您正在运行Java 11，这是(py)Spark 3中的缺省值。您需要添加以下内容，作为spark配置的一部分：

spark.driver.extraJavaOptions='-Dio.netty.tryReflectionSetAccessible=true'
spark.executor.extraJavaOptions='-Dio.netty.tryReflectionSetAccessible=true'

这将解决上面提到的java.lang.UnsupportedOperationException。

3.确保将虚拟环境python添加到pyspark_python中

即environ['PYSPARK_PYTHON']='./your/virtual/enviroment/path'