[英]Correct Way to Specify User-Defined Function in PySpark Pandas UDF
我正在使用 pyspark 2.4.2,因此根据此版本的文档,可以执行此操作来创建 GROUPED_MAP:
from pyspark.sql.functions import pandas_udf, PandasUDFType
df = spark.createDataFrame([(1, 1.0), (1, 2.0), (2, 3.0), (2, 5.0), (2, 10.0)],("id", "v"))
@pandas_udf(returnType="id long, v double", functionType=PandasUDFType.GROUPED_MAP)
def subtract_mean(pdf):
v = pdf.v
return pdf.assign(v=v - v.mean())
df.groupby("id").apply(subtract_mean).show()
这可行,但您不能将subtract_mean
称为普通的python function,它通过了pandas ZBA834BA01217A3788E459。 但如果你这样做,它将起作用:
def subtract_mean(pdf):
v = pdf.v
return pdf.assign(v=v - v.mean())
sub_spark = pandas_udf(f=subtract_mean, returnType="id long, v double", functionType=PandasUDFType.GROUPED_MAP)
df.groupby("id").apply(sub_spark).show()
现在您可以通过 pandas DataFrame 从 python 调用subtract_mean
均值。 如何使用注释方法做到这一点? 从文档中不清楚如何做到这一点。 注释了哪些 function 以及为f
参数给出了哪些 function?
这两种方法等效于指定 UDF。 装饰器方法只是一种更整洁的做事方式。 装饰器后面的 function 作为f
参数传递。
如this answer中所述,您可以使用subtract_mean.__wrapped__
来取回原始未修饰的function。 不过,您问题中的第二种方法更具可读性。 使用__wrapped__
会降低代码的可读性。 但如果它只是用于单元测试目的,那应该没问题。
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.