接受未知列数的 Spark UDF

Question

我有一个具有不同架构的 spark 数据框列表。示例：

list_df = [df1, df2, df3, df4]
# df1.columns = ['a', 'b']
# df2.columns = ['a', 'b', 'c']
# df3.columns = ['a', 'b', 'c', 'd']
# df4.columns = ['a', 'b', 'c', 'd', 'e']

现在，我想编写一个 udf，它能够对具有不同列数的数据帧列表进行操作。

之前有一篇关于如何使用 scala 的帖子：Spark UDF with varargs，其中 udf 接受一个列数组。

但似乎该方法不适用于python。有什么建议吗？

谢谢。

Answer 1

实际上这种方法在 Python 中效果很好：

from pyspark.sql.functions import array, udf

df = sc.parallelize([("a", "b", "c", "d")]).toDF()

f = udf(lambda xs: "+".join(xs))

df.select(f("_1")).show()
## +------------+
## |<lambda>(_1)|
## +------------+
## |           a|
## +------------+

df.select(f(array("_1", "_2"))).show()
## +-----------------------+
## |<lambda>(array(_1, _2))|
## +-----------------------+
## |                    a+b|
## +-----------------------+

df.select(f(array("_1", "_2", "_3"))).show()
## +---------------------------+
## |<lambda>(array(_1, _2, _3))|
## +---------------------------+
## |                      a+b+c|
## +---------------------------+

由于 Python UDF 与 Scala 对应的实体类型不同，因此不受输入参数类型和数量的限制，您也可以使用 args：

g = udf(lambda *xs: "+".join(xs))

df.select(g("_1", "_2", "_3", "_4")).show()
## +------------------------+
## |<lambda>(_1, _2, _3, _4)|
## +------------------------+
## |                 a+b+c+d|
## +------------------------+

避免使用array 包装输入。

您还可以使用struct 作为替代包装器来访问列名：

h = udf(lambda row: "+".join(row.asDict().keys()))

df.select(h(struct("_1", "_2", "_3"))).show()
## +----------------------------+
## |<lambda>(struct(_1, _2, _3))|
## +----------------------------+
## |                    _1+_3+_2|
## +----------------------------+