目录

  • 简单的注册UDF
  • 自己定义函数UDF
  • pyspark udf 源码解析
  • 复杂数据类型:ArrayType、MapType、StructType
    • ArrayType
    • MapType
    • StructType

简单的注册UDF

直接用lambda表达式注册成UDF

from pyspark.sql.types import *
spark.udf.register('sex_distinct',lamnda x:'M' if x==u'男' else 'F'
spark.sql("select sex_register('男')").show()

返回的结果为 M

自己定义函数UDF

如果遇到复杂的开发逻辑,简单的lambda函数不能够满足需求,需要进行自定义函数进行相关UDF的开发

from pyspark.sql.types import *
def get_name(name):if name == u'男':return u'M'else:return u'F'
spark.udf.register('get_name',get_name,StringType())
spark.sql("select get_name('男')).show()

pyspark udf 源码解析

    def register(self, name, f, returnType=None):"""注册python的函数或自定义的函数为udf:param name: sql语句中的函数名:param f: 函数,可以python的,也可以是自定义的:param returnType: ["DataType", "NullType", "StringType", "BinaryType", "BooleanType", "DateType","TimestampType", "DecimalType", "DoubleType", "FloatType", "ByteType", "IntegerType","LongType", "ShortType", "ArrayType", "MapType", "StructField", "StructType"]可以看出规律了吧,和sql中的一一对应:return: a user-defined function.To register a nondeterministic Python function, users need to first builda nondeterministic user-defined function for the Python function and then register itas a SQL function.`returnType` can be optionally specified when `f` is a Python function but notwhen `f` is a user-defined function. Please see below.1. 当f是python内部的函数(所谓python内部的函数就是python自带的函数)`returnType` 默认是 string type 并且可以按需指定. 返回类型必须匹配指定类型. 这种情况约等于`register(name, f, returnType=StringType())`.>>> strlen = spark.udf.register("stringLengthString", lambda x: len(x))>>> spark.sql("SELECT stringLengthString('test')").collect()[Row(stringLengthString(test)=u'4')]>>> spark.sql("SELECT 'foo' AS text").select(strlen("text")).collect()[Row(stringLengthString(text)=u'3')]>>> from pyspark.sql.types import IntegerType>>> _ = spark.udf.register("stringLengthInt", lambda x: len(x), IntegerType())>>> spark.sql("SELECT stringLengthInt('test')").collect()[Row(stringLengthInt(test)=4)]2. 当f是用户自定义的函数Spark uses the return type of the given user-defined function as the return type ofthe registered user-defined function. `returnType` should not be specified.In this case, this API works as if `register(name, f)`.>>> from pyspark.sql.types import IntegerType>>> from pyspark.sql.functions import udf>>> slen = udf(lambda s: len(s), IntegerType())>>> _ = spark.udf.register("slen", slen)>>> spark.sql("SELECT slen('test')").collect()[Row(slen(test)=4)]>>> import random>>> from pyspark.sql.functions import udf>>> from pyspark.sql.types import IntegerType>>> random_udf = udf(lambda: random.randint(0, 100), IntegerType()).asNondeterministic()>>> new_random_udf = spark.udf.register("random_udf", random_udf)>>> spark.sql("SELECT random_udf()").collect()  # doctest: +SKIP[Row(random_udf()=82)]>>> from pyspark.sql.functions import pandas_udf, PandasUDFType>>> @pandas_udf("integer", PandasUDFType.SCALAR)  # doctest: +SKIP... def add_one(x):...     return x + 1...>>> _ = spark.udf.register("add_one", add_one)  # doctest: +SKIP>>> spark.sql("SELECT add_one(id) FROM range(3)").collect()  # doctest: +SKIP[Row(add_one(id)=1), Row(add_one(id)=2), Row(add_one(id)=3)]>>> @pandas_udf("integer", PandasUDFType.GROUPED_AGG)  # doctest: +SKIP... def sum_udf(v):...     return v.sum()...>>> _ = spark.udf.register("sum_udf", sum_udf)  # doctest: +SKIP>>> q = "SELECT sum_udf(v1) FROM VALUES (3, 0), (2, 0), (1, 1) tbl(v1, v2) GROUP BY v2">>> spark.sql(q).collect()  # doctest: +SKIP[Row(sum_udf(v1)=1), Row(sum_udf(v1)=5)].. note:: Registration for a user-defined function (case 2.) was added fromSpark 2.3.0."""# This is to check whether the input function is from a user-defined function or# Python function.if hasattr(f, 'asNondeterministic'):if returnType is not None:raise TypeError("Invalid returnType: data type can not be specified when f is""a user-defined function, but got %s." % returnType)if f.evalType not in [PythonEvalType.SQL_BATCHED_UDF,PythonEvalType.SQL_SCALAR_PANDAS_UDF,PythonEvalType.SQL_GROUPED_AGG_PANDAS_UDF]:raise ValueError("Invalid f: f must be SQL_BATCHED_UDF, SQL_SCALAR_PANDAS_UDF or ""SQL_GROUPED_AGG_PANDAS_UDF")register_udf = UserDefinedFunction(f.func, returnType=f.returnType, name=name,evalType=f.evalType,deterministic=f.deterministic)return_udf = felse:if returnType is None: #这里指定了返回类型默认为StringType()returnType = StringType()register_udf = UserDefinedFunction(f, returnType=returnType, name=name,evalType=PythonEvalType.SQL_BATCHED_UDF)return_udf = register_udf._wrapped()self.sparkSession._jsparkSession.udf().registerPython(name, register_udf._judf)return return_udf

复杂数据类型:ArrayType、MapType、StructType

ArrayType

from pyspark.sql.types import *
def split_word(name):result = name.split('-')return namespark.udf.register("split_name",split_name,ArrayType(StringType()))
spark.sql("select split_word('2021-10-10')").show()

MapType

from pyspark.sql.types import *
def word_count(data):data_dict = {}data_list = data.split(",")for word in data_list:data_dict[word]=0for word in data_list:data_dict[word]+=1return data_dict
spark.udf.register('word_count',word_count,MapType(StringType(),IntegerType()))
spark.sql("select word_count('hello,python,hello,world,hello')").show()

StructType

from pyspark.sql.types import *
import hashlibdef string_to_struct(input_string):my_dict={}m = hashlib.md5()m.update(input_string.encode('utf-8'))my_dict['id'] = m.hexdigest()my_dict['content'] = input_stringreturn my_dictschema = StructType([StructField("id", StringType(), True),StructField("content", StringType(), True)
])spark.udf.register('string_to_struct', string_to_struct, schema)df = spark.sql("""
select string_to_struct('my name is hello world')
""")df.show(truncate=False)df.printSchema()

此外,复杂数据类型支持嵌套,array中可以嵌套struct、map、array,其他同理。

pyspark udf相关推荐

  1. pyspark udf函数

    from pyspark.sql.types import ArrayTypedef square_list(x):return [float(val)**2 for val in x] square ...

  2. pyspark 编写 UDF函数

    pyspark 编写 UDF函数 前言 以前用的是Scala,最近有个东西要用Python,就查了一下如何编写pyspark的UDF. pyspark udf 也是先定义一个函数,例如: def ge ...

  3. pyspark编写UDF函数

    pyspark 编写 UDF函数 pyspark udf 1.先定义一个函数,例如: def get_time(ts):try:res = datetime.fromtimestamp(int(ts) ...

  4. hive java udf_hive java编写udf函数

    (一)创建JAVA 代码--例子 package hiveOpt; import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoo ...

  5. [Spark版本更新]--2.3.0发行说明(一)

    自从2017年12月1日发布spark-2.2.1以来,已有3个月时间. 2018年2月28日,spark官方发布了一个大版本Spark-2.3.0,解决了1399个大大小小的问题. 一.DataBr ...

  6. [Spark版本更新]--2.3.0发行说明

    自从2017年12月1日发布spark-2.2.1以来,已有3个月时间. 2018年2月28日,spark官方发布了一个大版本Spark-2.3.0,解决了1399个大大小小的问题. 一.DataBr ...

  7. spark版本bug总结

    spark报错总结 spark sql 1.spark sql 删除分区报错 mismatched input '<=' expecting 2.spark sql 读取hive parquet ...

  8. [Spark版本更新]--2.3.0发行说明(二)

    新功能 ·        [ SPARK-3181 ] - 使用Huber估计器添加鲁棒回归算法 ·        [ SPARK-4131 ] - 支持"通过查询将数据写入文件系统&quo ...

  9. 使用pyspark 的udf进行tensorflow 模型的预测报错 _pickle.PicklingError: Could not serialize object:

    训练了一个bert分类模型,想通过pyspark 调用,一开始将tf模型的加载,预测以及转化成udf和pyspark调用写到了一个文件中,遇到了如下错误: 具体报错: _pickle.Pickling ...

最新文章

  1. 三. H.264简介
  2. MySQL学习笔记02【SQL基本概念与通用语法、数据库的CRUD操作】
  3. mysql怎么分组查询所有数据库_Mysql-4 分组查询与子查询
  4. 计算机科学与技术专业热,广东省计算机科学与技术专业最“热”
  5. php怎么自己写框架,PHP学习笔记,自己动手写个MVC的框架
  6. ByteIOContext结构分析
  7. ds6708 symbol 驱动_Symbol DS6708扫描器
  8. 如何填满word页面_Word应用分隔符的使用
  9. [导入]Nutch 简介 [官方]
  10. win7(SP1 64位)升级IE浏览器升级到IE11
  11. 世界上最简单的会计书-笔记
  12. 大量STATSPACK数据统计分析
  13. 重积分 | 第二类曲面积分投影法正负判断
  14. 228句最常用英文口语短句(转)
  15. 程序员白piao服务器。大派送
  16. Mac下CoreShell文件上传和下载配置
  17. 什么是微信附近推广告宣传?效果怎么样?是以什么方式推广?
  18. OpenWrt之IPTV双线融合教程
  19. java.lang.ClassNotFoundException: org.apache.commons.fileupload.disk.DiskFileItemFactory
  20. 如何更好管理控制报销费用?

热门文章

  1. 20考研中科大上岸经验贴
  2. mysql dba 20天速成教程_20天雅思速成指南
  3. 西门子(中国)有限公司
  4. 通信类专业也可以考国家电网!而且待遇还不错~
  5. java menuitem_Java MenuItem.OnMenuItemClickListener方法代码示例
  6. 超级巡警 <= v4 Build0316 ASTDriver.sys 本地特权提升漏洞
  7. 你也可以做一个简易抽奖程序!
  8. vue3.x项目图书兄弟项目上遇到的问题及解决办法的记录
  9. 深圳集体户口新生儿入户(福田区八卦岭派出所)办理实录
  10. android设置本地图片,Android设置头像,手机拍照或从本地相册选取图片作为头像...