PySpark：如何将 Python UDF 应用于 PySpark DataFrame 列？

Question

我有一个带有两组纬度、经度坐标的 PySpark DataFrame。 我正在尝试计算给定行的每组坐标之间的 Haversine 距离。 我正在使用我在网上找到的以下haversine() 。 问题是它不能应用于列，或者至少我不知道这样做的语法。 有人可以分享语法或指出更好的解决方案吗？

from math import radians, cos, sin, asin, sqrt

def haversine(lat1, lon1, lat2, lon2):
    """
    Calculate the great circle distance between two points 
    on the earth (specified in decimal degrees)
    """
    # convert decimal degrees to radians 
    lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
    # haversine formula 
    dlon = lon2 - lon1 
    dlat = lat2 - lat1 
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    c = 2 * asin(sqrt(a)) 
    # Radius of earth in miles is 3,963; 5280 ft in 1 mile
    ft = 3963 * 5280 * c
    return ft

我知道上面的haversine()函数有效，因为我使用数据帧中的一些纬度/经度坐标对其进行了测试，并得到了合理的结果：

haversine(-85.8059, 38.250134, 
          -85.805122, 38.250098)
284.1302325439314

当我用 PySpark 数据框中的经纬度对应的列名替换样本坐标时，出现错误。 我尝试了以下代码以尝试创建一个新列，其中包含以英尺为单位的计算出的 Haversine 距离：

df.select('id', 'p1_longitude', 'p1_latitude', 'p2_lon', 'p2_lat').withColumn('haversine_dist', 
                           haversine(df['p1_latitude'],
                                    df['p1_longitude'],
                                    df['p2_lat'],
                                    df['p2_lon']))
.show()

但我收到错误：

必须是实数，而不是列回溯（最近一次调用最后一次）：
文件“”，第 8 行，在半正弦中 TypeError: must be real number, not Column

这向我表明我必须以某种方式迭代地将我的半正弦函数应用于我的 PySpark DataFrame 的每一行，但我不确定这个猜测是否正确，即使是这样，我也不知道该怎么做。 顺便说一句，我的纬度/经度是浮动类型。

Answer 1

如果可以使用 Spark 内置函数，请不要使用 UDF，因为它们的性能通常较低。

这是一个仅使用与您的函数相同的 Spark SQL 函数的解决方案：

from pyspark.sql.functions import col, radians, asin, sin, sqrt, cos

df.withColumn("dlon", radians(col("p2_lon")) - radians(col("p1_longitude"))) \
  .withColumn("dlat", radians(col("p2_lat")) - radians(col("p1_latitude"))) \
  .withColumn("haversine_dist", asin(sqrt(
                                         sin(col("dlat") / 2) ** 2 + cos(radians(col("p1_latitude")))
                                         * cos(radians(col("p2_lat"))) * sin(col("dlon") / 2) ** 2
                                         )
                                    ) * 2 * 3963 * 5280) \
  .drop("dlon", "dlat")\
  .show(truncate=False)

给出：

+-----------+------------+----------+---------+------------------+
|p1_latitude|p1_longitude|p2_lat    |p2_lon   |haversine_dist    |
+-----------+------------+----------+---------+------------------+
|-85.8059   |38.250134   |-85.805122|38.250098|284.13023254857814|
+-----------+------------+----------+---------+------------------+

您可以在此处找到可用的 Spark 内置函数。