![](/img/trans.png)
[英]PySpark: How to apply UDF to multiple columns to create multiple new columns?
[英]PySpark: How to apply a Python UDF to PySpark DataFrame columns?
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。
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.