这可能是一个基本问题,但我现在已经被困住了一段时间 .
我有几个列名称,我正在尝试创建一个组合列表,它组合了Spark中的两个元素 . 这是我尝试创建组合的列表
numeric_cols = ["age", "hours-per-week", "fnlwgt"]
我正在使用 itertools
模块中的 combinations
from itertools import combinations
from pyspark.sql.functions import udf
from pyspark.sql.types import ArrayType
def combinations2(x): return combinations(x,2)
udf_combinations2 = udf(combinations2,ArrayType())
但是在跑线上
pairs = udf_combinations2(numeric_cols)
我收到以下错误
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/Users/sg/Downloads/spark/python/pyspark/sql/udf.py", line 179, in wrapper
return self(*args)
File "/Users/sg/Downloads/spark/python/pyspark/sql/udf.py", line 159, in __call__
return Column(judf.apply(_to_seq(sc, cols, _to_java_column)))
File "/Users/sg/Downloads/spark/python/pyspark/sql/column.py", line 66, in _to_seq
cols = [converter(c) for c in cols]
File "/Users/sg/Downloads/spark/python/pyspark/sql/column.py", line 66, in <listcomp>
cols = [converter(c) for c in cols]
File "/Users/sg/Downloads/spark/python/pyspark/sql/column.py", line 54, in _to_java_column
"function.".format(col, type(col)))
TypeError: Invalid argument, not a string or column: ['age', 'hours-per-week', 'fnlwgt'] of type <class 'list'>. For column literals, use 'lit', 'array', 'struct' or 'create_map' function.
我不知道如何使用最后一行中提到的功能 . 任何方向和提示都会很棒 .
谢谢
1 回答
首先正确定义
udf
:您可以使用单个参数定义它
或者varargs
在两种情况下 you have 都声明输出数组的类型 . 这里我们将使用
double
和structs
.确保输入类型与声明的输出类型匹配:
要调用单个参数版本,请使用
array
调用varargs变量解压缩值