带有函数的pySpark withColumn答案

【问题标题】：pySpark withColumn with a function带有函数的pySpark withColumn
【发布时间】：2020-04-06 14:17:18
【问题描述】：

我有一个包含 2 列的数据框：account_id 和 email_address，现在我想再添加一列 updated_email_address，我在 email_address 上调用一些函数来获取 updated_email_address。这是我的代码：

def update_email(email):
  print("== email to be updated: " + email)
  today = datetime.date.today()
  updated = substring(email, -8, 8) + str(today.strftime('%m')) + str(today.strftime('%d')) + "_updated"
  return updated

df.withColumn('updated_email_address', update_email(df.email_address))

但结果显示updated_email_address 列为空：

+---------------+--------------+---------------------+
|account_id     |email_address |updated_email_address|
+---------------+--------------+---------------------+
|123456gd7tuhha |abc@test.com  |null           |
|djasevneuagsj1 |cde@test.com  |null           |
+---------------+--------------+---------------+

在函数updated_email内部打印出来：

Column<b'(email_address + == email to be udpated: )'>

它还将df的列数据类型显示为：

dfData:pyspark.sql.dataframe.DataFrame
account_id:string
email_address:string
updated_email_address:double

为什么updated_email_address 列类型是double？

【问题讨论】：

您需要使用 UDF（用户定义函数）。 docs.databricks.com/spark/latest/spark-sql/udf-python.html

标签： apache-spark pyspark apache-spark-sql user-defined-functions

【解决方案1】：

您正在调用具有 Column 类型的 Python 函数。您必须从 update_email 创建 udf 然后使用它：

update_email_udf = udf(update_email)

但是，我建议您不要使用 UDF 进行此类转换，您可以仅使用 Spark 内置函数（UDF 以性能不佳而闻名）：

df.withColumn('updated_email_address',
              concat(substring(col("email_address"), -8, 8), date_format(current_date(), "ddMM"), lit("_updated"))
             ).show()

你可以找到here所有Spark SQL内置函数。

【讨论】：

【解决方案2】：

感谢你，我必须重新学习我在 spark 课上忘记的东西

你不能用WithColumn直接调用你的自定义函数，你需要使用UserDefinedFunctions (UDF)

这是我如何使用自定义函数来处理您的数据框的快速示例（StringType 是函数的返回类型）

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

def update_email(email):
  return email+"aaaa"
#df.dtypes

my_udf = udf(lambda x: update_email(x), StringType())

df.withColumn('updated_email_address', my_udf(df.email_address) ).show()

【讨论】：