如何将常量值传递给 Python UDF？

Question

我在想是否可以创建一个UDF ，它接收两个参数Column和另一个变量（ Object 、 Dictionary或任何其他类型），然后执行一些操作并返回结果。

实际上，我试图这样做，但我得到了一个例外。 因此，我想知道是否有任何方法可以避免这个问题。

df = sqlContext.createDataFrame([("Bonsanto", 20, 2000.00), 
                                 ("Hayek", 60, 3000.00), 
                                 ("Mises", 60, 1000.0)], 
                                ["name", "age", "balance"])

comparatorUDF = udf(lambda c, n: c == n, BooleanType())

df.where(comparatorUDF(col("name"), "Bonsanto")).show()

我收到以下错误：

AnalysisException: u"无法解析给定输入列名称、年龄、余额的 'Bonsanto'；"

所以很明显， UDF将string “Bonsanto”“视为”列名，实际上我正在尝试将记录值与第二个参数进行比较。

另一方面，我知道可以在where子句中使用一些运算符（但实际上我想知道它是否可以使用UDF实现），如下所示：

df.where(col("name") == "Bonsanto").show()

#+--------+---+-------+
#|    name|age|balance|
#+--------+---+-------+
#|Bonsanto| 20| 2000.0|
#+--------+---+-------+

Answer 1

传递给 UDF 的所有内容都被解释为列/列名称。 如果你想传递一个文字，你有两个选择：

1. 使用柯里化传递参数：

    def comparatorUDF(n): return udf(lambda c: c == n, BooleanType()) df.where(comparatorUDF("Bonsanto")(col("name")))

   只要它是可序列化的，它就可以与任何类型的参数一起使用。

2. 使用 SQL 文字和当前实现：

    from pyspark.sql.functions import lit df.where(comparatorUDF(col("name"), lit("Bonsanto")))

   这仅适用于支持的类型（字符串、数字、布尔值）。 对于非原子类型，请参阅如何在 Spark DataFrame 中添加常量列？