将函数应用于 Spark 中 csv 的单列 [英] Apply a function to a single column of a csv in Spark

问题描述

我正在使用 Spark 读取 csv 并希望将函数应用于 csv 上的列.我有一些有效的代码，但它非常笨拙.这样做的正确方法是什么?

Using Spark I'm reading a csv and want to apply a function to a column on the csv. I have some code that works but it's very hacky. What is the proper way to do this?

我的代码

SparkContext().addPyFile("myfile.py")
spark = SparkSession\
    .builder\
    .appName("myApp")\
    .getOrCreate()
from myfile import myFunction

df = spark.read.csv(sys.argv[1], header=True,
    mode="DROPMALFORMED",)
a = df.rdd.map(lambda line: Row(id=line[0], user_id=line[1], message_id=line[2], message=myFunction(line[3]))).toDF()

我希望能够只在列名上调用函数，而不是将每一行映射到 line，然后在 line[index] 上调用函数.

I would like to be able to just call the function on the column name instead of mapping each row to line and then calling the function on line[index].

我使用的是 Spark 2.0.1 版

I'm using Spark version 2.0.1

推荐答案

您可以简单地将用户定义函数 (udf) 与 withColumn 结合使用:

You can simply use User Defined Functions (udf) combined with a withColumn :

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

udf_myFunction = udf(myFunction, IntegerType()) # if the function returns an int
df = df.withColumn("message", udf_myFunction("_3")) #"_3" being the column name of the column you want to consider

这将向包含 myFunction(line[3]) 的结果的数据框 df 添加一个新列.

This will add a new column to the dataframe df containing the result of myFunction(line[3]).

这篇关于将函数应用于 Spark 中 csv 的单列的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！