Pyspark Dataframe 将函数应用于两列

Question

假设我有两个 PySpark DataFrames df1 和 df2。

df1=   'a' 
        1    
        2    
        5    

df2=   'b'
        3
        6

我想为每个df1['a'] 找到最接近的df2['b'] 值，并将最接近的值作为新列添加到df1 中。

换句话说，对于df1['a']中的每个值x，我想为所有y in df2['b']找到一个达到min(abx(x-y))的y（注意：可以假设只有一个y可以达到最小距离），结果是

'a'    'b'
 1      3
 2      3
 5      6

我尝试使用以下代码首先创建一个距离矩阵（在找到达到最小距离的值之前）：

from pyspark.sql.types import IntegerType
from pyspark.sql.functions import udf

def dict(x,y):
    return abs(x-y)
udf_dict = udf(dict, IntegerType())

sql_sc = SQLContext(sc)
udf_dict(df1.a, df2.b)

这给了

Column<PythonUDF#dist(a,b)>

然后我尝试了

sql_sc.CreateDataFrame(udf_dict(df1.a, df2.b))

它永远运行而不给出错误/输出。

我的问题是：

1. 由于我是 Spark 新手，我构建输出 DataFrame 的方法是否有效？ （我的方法是先为所有a 和b 值创建一个距离矩阵，然后找到min 一个）
2. 我的代码的最后一行有什么问题以及如何修复它？

Answer 1

从您的第二个问题开始 - 您只能将 udf 应用于现有数据框，我认为您正在考虑这样的事情：

>>> df1.join(df2).withColumn('distance', udf_dict(df1.a, df2.b)).show()
+---+---+--------+
|  a|  b|distance|
+---+---+--------+
|  1|  3|       2|
|  1|  6|       5|
|  2|  3|       1|
|  2|  6|       4|
|  5|  3|       2|
|  5|  6|       1|
+---+---+--------+

但是有一个更有效的方法来应用这个距离，通过使用内部abs：

>>> from pyspark.sql.functions import abs
>>> df1.join(df2).withColumn('distance', abs(df1.a -df2.b))

然后你可以通过计算找到匹配的数字：

>>> distances = df1.join(df2).withColumn('distance', abs(df1.a -df2.b))
>>> min_distances = distances.groupBy('a').agg(min('distance').alias('distance'))
>>> distances.join(min_distances, ['a', 'distance']).select('a', 'b').show()
+---+---+                                                                       
|  a|  b|
+---+---+
|  5|  6|
|  1|  3|
|  2|  3|
+---+---+