如何從函數值向Spark DataFrame添加新列（使用PySpark）

Question

我有一個來自sql的數據框：

log = hc.sql("""select 
                     , ip
                     , url
                     , ymd
                  from log """)

和函數，它們從數據幀應用“ ip”值並返回三個值：

def get_loc(ip):
geodata = GeoLocator('SxGeoCity.dat', MODE_BATCH | MODE_MEMORY)
result = []

location = geodata.get_location(ip, detailed=True)
city_name_en    = str(processValue(location['info']['city']['name_en']))
region_name_en  = str(processValue(location['info']['region']['name_en']))
country_name_en = str(processValue(location['info']['country']['name_en']))

result = [city_name_en, region_name_en, country_name_en]

return result

我不知道如何將值傳遞給函數get_loc（）並將返回值作為映射列“屬性”添加到現有數據框。 使用python 2.7和PySpark。

Answer 1

我不知道get_loc做什么。

但是您可以如下使用UDF：

from pyspark.sql import functions as f

def get_loc(ip):
    return str(ip).split('.')

rdd = spark.sparkContext.parallelize([(1, '192.168.0.1'), (2, '192.168.0.1')])
df = spark.createDataFrame(rdd, schema=['idx', 'ip'])
My_UDF = f.UserDefinedFunction(get_loc, returnType=ArrayType(StringType()))
df = df.withColumn('loc', My_UDF(df['ip']))
df.show()

# output:
+---+-----------+----------------+
|idx|         ip|             loc|
+---+-----------+----------------+
|  1|192.168.0.1|[192, 168, 0, 1]|
|  2|192.168.0.1|[192, 168, 0, 1]|
+---+-----------+----------------+