在pyspark的pandas_udf中使用外部库

【问题标题】：Use external library in pandas_udf in pyspark在pyspark的pandas_udf中使用外部库
【发布时间】：2019-08-29 08:43:21
【问题描述】：

可以在 pandas_udf 中使用像 textdistance 这样的外部库吗？我试过了，我得到了这个错误：

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

我已尝试使用 Spark 版本 2.3.1。

【问题讨论】：

标签： python pandas pyspark user-defined-functions

【解决方案1】：

您可以将textdistance 与您自己的代码一起打包（使用setup.py 和bdist_egg 构建一个egg 文件），并在运行spark 时使用选项--py-files 指定最终包。

顺便说一句，错误消息似乎与 textdistance 完全无关。

【讨论】：

【解决方案2】：

您可以使用 Spark UDF，例如实现 Ratcliff-Obershelp 函数：

import textdistance

def my_ro(s1,s2):
  d = textdistance.ratcliff_obershelp(s1,s2)
  return d

spark.udf.register("my_ro", my_ro, FloatType())

spark.sql("SELECT word1, word2, my_ro(word1,word2) as ro FROM spark_df")\
.show(100,False)

【讨论】：