如何在 PySpark 中使用 Scala UDF？答案

【问题标题】：How to use Scala UDF in PySpark?如何在 PySpark 中使用 Scala UDF？
【发布时间】：2017-06-06 09:58:47
【问题描述】：

我希望能够在 PySpark 中将 Scala 函数用作 UDF

package com.test

object ScalaPySparkUDFs extends Serializable {
    def testFunction1(x: Int): Int = { x * 2 }
    def testUDFFunction1 = udf { x: Int => testFunction1(x) }
}

我可以在 PySpark 中访问 testFunction1 并让它返回值：

functions = sc._jvm.com.test.ScalaPySparkUDFs 
functions.testFunction1(10)

我希望能够将此函数用作 UDF，最好是在 withColumn 调用中：

row = Row("Value")
numbers = sc.parallelize([1,2,3,4]).map(row).toDF()
numbers.withColumn("Result", testUDFFunction1(numbers['Value']))

我认为这里有一个很有前途的方法： Spark: How to map Python with Scala or Java User Defined Functions?

但是，当对那里找到的代码进行更改时，请改用testUDFFunction1：

def udf_test(col):
    sc = SparkContext._active_spark_context
    _f = sc._jvm.com.test.ScalaPySparkUDFs.testUDFFunction1.apply
    return Column(_f(_to_seq(sc, [col], _to_java_column)))

我明白了：

 AttributeError: 'JavaMember' object has no attribute 'apply'

我不明白这一点，因为我相信testUDFFunction1 确实有一个 apply 方法？

我不想使用此处找到的类型的表达式： Register UDF to SqlContext from Scala to use in PySpark

任何关于如何完成这项工作的建议都将不胜感激！

【问题讨论】：

标签： python scala apache-spark pyspark apache-spark-sql

【解决方案1】：

同意@user6910411，你必须直接在函数上调用apply方法。所以，你的代码将是。

Scala 中的 UDF：

import org.apache.spark.sql.expressions.UserDefinedFunction
import org.apache.spark.sql.functions._


object ScalaPySparkUDFs {

    def testFunction1(x: Int): Int = { x * 2 }

    def getFun(): UserDefinedFunction = udf(testFunction1 _ )
}

PySpark 代码：

def test_udf(col):
    sc = spark.sparkContext
    _test_udf = sc._jvm.com.test.ScalaPySparkUDFs.getFun()
    return Column(_test_udf.apply(_to_seq(sc, [col], _to_java_column)))


row = Row("Value")
numbers = sc.parallelize([1,2,3,4]).map(row).toDF()
numbers.withColumn("Result", test_udf(numbers['Value']))

【讨论】：

我想传递多个列，有什么办法可以做到吗？

【解决方案2】：

您链接的问题是使用 Scala object。 Scala object 是一个单例，你可以直接使用apply 方法。

这里你使用了一个返回UserDefinedFunction类对象的空函数，你必须先调用这个函数：

_f = sc._jvm.com.test.ScalaPySparkUDFs.testUDFFunction1() # Note () at the end
Column(_f.apply(_to_seq(sc, [col], _to_java_column)))

【讨论】：

如果我想传递多列是否有类似的东西。