[英]Correct Way to Specify User-Defined Function in PySpark Pandas UDF
我正在使用 pyspark 2.4.2,因此根據此版本的文檔,可以執行此操作來創建 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()
這可行,但您不能將subtract_mean
稱為普通的python function,它通過了pandas ZBA834BA01217A3788E459。 但如果你這樣做,它將起作用:
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()
現在您可以通過 pandas DataFrame 從 python 調用subtract_mean
均值。 如何使用注釋方法做到這一點? 從文檔中不清楚如何做到這一點。 注釋了哪些 function 以及為f
參數給出了哪些 function?
這兩種方法等效於指定 UDF。 裝飾器方法只是一種更整潔的做事方式。 裝飾器后面的 function 作為f
參數傳遞。
如this answer中所述,您可以使用subtract_mean.__wrapped__
來取回原始未修飾的function。 不過,您問題中的第二種方法更具可讀性。 使用__wrapped__
會降低代碼的可讀性。 但如果它只是用於單元測試目的,那應該沒問題。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.