计算一次UDF

Question

我想在 pyspark 数据框中有一个只计算一次的 UUID 列，以便我可以选择不同数据框中的列并使 UUID 相同。但是，当我选择该列时，会重新计算 UUID 列的 UDF。

这是我想要做的：

>>> uuid_udf = udf(lambda: str(uuid.uuid4()), StringType())
>>> a = spark.createDataFrame([[1, 2]], ['col1', 'col2'])
>>> a = a.withColumn('id', uuid_udf())
>>> a.collect()
[Row(col1=1, col2=2, id='5ac8f818-e2d8-4c50-bae2-0ced7d72ef4f')]
>>> b = a.select('id')
>>> b.collect()
[Row(id='12ec9913-21e1-47bd-9c59-6ddbe2365247')]  # Wanted this to be the same ID as above

可能的解决方法：rand()

一种可能的解决方法是使用 pyspark.sql.functions.rand() 作为我的随机源。但是，有两个问题：

1) 我想在 UUID 中包含字母，而不仅仅是数字，这样它就不需要那么长了

2) 虽然它在技术上有效，但它会产生丑陋的 UUID：

>>> from pyspark.sql.functions import rand, round
>>> a = a.withColumn('id', round(rand() * 10e16))
>>> a.collect()
[Row(col1=1, col2=2, id=7.34745165108606e+16)]

Answer 1

改用 Spark 内置的uuid 函数：

a = a.withColumn('id', expr("uuid()"))
b = a.select('id')

b.collect()
[Row(id='da301bea-4927-4b6b-a1cf-518dea8705c4')]

a.collect()
[Row(col1=1, col2=2, id='da301bea-4927-4b6b-a1cf-518dea8705c4')]

Answer 2

您的 UUID 不断变化的原因是因为您的数据框在每次操作后都会一次又一次地计算。

为了稳定您的结果，您可以使用persist 或cache（取决于您的数据框的大小）。

df.persist()

df.show()                                                                                          
+---+--------------------+
| id|                uuid|
+---+--------------------+
|  0|e3db115b-6b6a-424...|
+---+--------------------+


b = df.select("uuid")                                                                              

b.show()                                                                                           
+--------------------+
|                uuid|
+--------------------+
|e3db115b-6b6a-424...|
+--------------------+