如何将 Array[Seq[String]] 传递给 apache spark udf？ （错误：不适用）

Question

我在 Scala 中有以下 apache spark udf：

val myFunc = udf {
  (userBias: Float, otherBiases: Map[Long, Float],
    userFactors: Seq[Float], context: Seq[String]) => 
    var result = Float.NaN

    if (userFactors != null) {
      var contexBias = 0f

      for (cc <- context) {
       contexBias += otherBiases(contextMapping(cc))
      }

      // definition of result
      // ...
    }
    result
}

现在我想将参数传递给这个函数，但是由于参数context ，我总是收到消息 Not Applicable 。 我知道用户定义的函数按行输入，如果我删除context ，这个函数就会运行......如何解决这个问题？ 为什么它不从Array[Seq[String]]读取行，即从context ？ 或者，将context作为DataFrame或类似的东西传递也是可以接受的。

// context is Array[Seq[String]]
val a = sc.parallelize(Seq((1,2),(3,4))).toDF("a", "b")
val context = a.collect.map(_.toSeq.map(_.toString))

// userBias("bias"), otherBias("biases") and userFactors("features")
// have a type Column, while userBias... are DataFrames
myDataframe.select(dataset("*"),
                   myFunc(userBias("bias"),
                          otherBias("biases"),
                          userFactors("features"),
                          context)
                   .as($(newCol)))

更新：

我尝试了zero323的答案中指出的解决方案，但是context: Array[Seq[String]]仍然存在一个小问题context: Array[Seq[String]] 。 特别是问题在于循环遍历此数组for (cc <- context) { contexBias += otherBiases(contextMapping(cc)) } 。 我应该将 String 传递给contextMapping ，而不是Seq[String] ：

  def myFunc(context: Array[Seq[String]]) = udf {
    (userBias: Float, otherBiases: Map[Long, Float],
     userFactors: Seq[Float]) =>
      var result = Float.NaN

      if (userFactors != null) {
        var contexBias = 0f
        for (cc <- context) {
          contexBias += otherBiases(contextMapping(cc))
        }

        // estimation of result

      }
      result
  }

现在我这样称呼它：

myDataframe.select(dataset("*"),
                   myFunc(context)(userBias("bias"),
                                   otherBias("biases"),
                                   userFactors("features"))
           .as($(newCol)))

Answer 1

火花 2.2+

您可以使用typedLit函数：

import org.apache.spark.sql.functions.typedLit

myFunc(..., typedLit(context))

火花 < 2.2

直接传递给 UDF 的任何参数都必须是Column因此如果您想传递常量数组，则必须将其转换为列文字：

import org.apache.spark.sql.functions.{array, lit}

val myFunc: org.apache.spark.sql.UserDefinedFunction = ???

myFunc(
  userBias("bias"),
  otherBias("biases"),
  userFactors("features"),
  // org.apache.spark.sql.Column
  array(context.map(xs => array(xs.map(lit _): _*)): _*)  
)

非Column对象只能使用闭包间接传递，例如：

def myFunc(context: Array[Seq[String]]) = udf {
  (userBias: Float, otherBiases: Map[Long, Float],  userFactors: Seq[Float]) => 
    ???
}

myFunc(context)(userBias("bias"), otherBias("biases"), userFactors("features"))

Answer 2

另一种方法是使用结构

val seq: Seq[String] = ...
val func: UserDefinedFunction = udf((seq: Row) => ...)
val seqStruct = struct(seq.map(v => lit(v)): _*)
func(seqStruct)