我正在使用 Pyspark 2.4.4,我需要使用 UDF 来创建我想要的输出。此 UDF 使用广播字典。首先,看起来我需要修改 UDF 的代码以接受字典。其次,我不确定我正在做的事情是在 Spark 2.4 中最有效的方式。我的代码如下:
# This is a sample of the original Spark dataframe, which I will use to create the dictionary
df = spark.createDataFrame([(220, 2, '2012-11-22 22:03:42'), (2382556,3, '2012-11-23 22:03:42'), (7854140,3,'2012-11-28 22:03:42')], ["user", "preacher", "time"])
# I am converting the above dataframe to pandas dataframe in order to create my dictionary
Dict = df.toPandas().groupby('preacher')['user','time'].apply(lambda g: list(map(tuple, g.values.tolist()))).to_dict()
#Broadcast the dictionary
pcDict = sc.broadcast(Dict)
## Function that calls the dictionary
def example(n):
nodes = []
children = [i[0] for i in pcD.value[n]]
for child in children:
nodes.append(child)
return Row('Out1', 'Out2')(nodes, [(n, n+2), (n, n+4)])
## Convert the Python function to UDF
schema = StructType([
StructField("Out1", ArrayType(IntegerType()), False),
StructField("Out2", ArrayType(StructType([StructField("_1", IntegerType(), False), StructField("_2", IntegerType(), False)])))])
example_udf = F.udf(example, schema)
# Create sample dataframe to test the UDF function
testDf = spark.createDataFrame([(3, 4), (220,5)], ["user", "Number"])
### Final output
newDf = testDf.withColumn("Output", F.explode(F.array(example_udf(testDf["user"]))))
newDf = newDf.select("user", "Output.*")
我的第一个问题是关于字典的。我应该使用它还是有其他更有效的方法?我正在考虑 collectAsMap(),但鉴于它可用于 rdds,我不确定这是否是 Spark 2.4 中的方式。
第二个问题是,鉴于字典是要走的路,我应该如何修改 udf 函数?
提前致谢!