星火SumProduct DataFrame

Question

我想从本质上创建一个跨越星火DataFrame中列的求和产品。我有一个看起来像这样的DataFrame：

id    val1   val2   val3   val4
123   10     5      7      5

我还有一张地图，看起来像：

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

我想取DataFrame的每一列中的值，乘以映射中的相应值，然后在新列中返回结果，因此本质上是：

(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})

但是得到一个错误，即"+“方法被重载了。即使我解决了这个问题，我也不确定这会成功。有什么想法吗？我总是可以以文本字符串的形式动态地构建SQL查询，并这样做，但我希望能有更好的效果。

任何想法都会受到赞赏。

Answer 1

代码的问题是您试图向Column添加一个Double。cast(DoubleType)只影响存储值的类型，而不影响列本身的类型。因为Double没有提供*(x: org.apache.spark.sql.Column): org.apache.spark.sql.Column方法，所以一切都会失败。

例如，要使它发挥作用，您可以这样做：

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|
// +---+----+----+----+----+-----+

Answer 2

看起来问题是你实际上并没有对a做任何事情

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

你可能是说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)获得了它在v中的价值

Scala很擅长做一行，但是如果你必须在一行中加分号，那就有点作弊了:P，我建议把和计算部分分解成一个表达式的一行。

和表达式可以重写为fold，避免使用var (惯用Scala通常避免var)。

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

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

Answer 3

我不确定这在DataFrame API中是否可行，因为您只能使用列，而不能使用任何预定义的闭包(例如，参数映射)。

我在下面概述了一种使用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|
+---+----+----+----+----+-----+