首页 文章

遇到丢失的功能时，Apache Spark会抛出NullPointerException

提问于
浏览 次
12

在为要素中的字符串列编制索引时，我对PySpark有一个奇怪的问题 . 这是我的tmp.csv文件：

x0,x1,x2,x3 
asd2s,1e1e,1.1,0
asd2s,1e1e,0.1,0
,1e3e,1.2,0
bd34t,1e1e,5.1,1
asd2s,1e3e,0.2,0
bd34t,1e2e,4.3,1

我在'x0'有一个缺失值 . 首先，我正在使用pyspark_csv将数据从csv文件读入DataFrame：https://github.com/seahboonsiew/pyspark-csv然后使用StringIndexer索引x0：

import pyspark_csv as pycsv
from pyspark.ml.feature import StringIndexer

sc.addPyFile('pyspark_csv.py')

features = pycsv.csvToDataFrame(sqlCtx, sc.textFile('tmp.csv'))
indexer = StringIndexer(inputCol='x0', outputCol='x0_idx' )
ind = indexer.fit(features).transform(features)
print ind.collect()

当调用''ind.collect（）''时，Spark会抛出java.lang.NullPointerException . 一切都适用于完整的数据集，例如，对于'x1' .

有没有人知道造成这种情况的原因以及如何解决这个问题？

提前致谢！

谢尔盖

Update:

我使用Spark 1.5.1 . 确切的错误：

File "/spark/spark-1.4.1-bin-hadoop2.6/python/pyspark/sql/dataframe.py", line 258, in show
print(self._jdf.showString(n))

File "/spark/spark-1.4.1-bin-hadoop2.6/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py", line 538, in __call__

File "/spark/spark-1.4.1-bin-hadoop2.6/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py", line 300, in get_return_value

py4j.protocol.Py4JJavaError: An error occurred while calling o444.showString.
: java.lang.NullPointerException
at org.apache.spark.sql.types.Metadata$.org$apache$spark$sql$types$Metadata$$hash(Metadata.scala:208)
at org.apache.spark.sql.types.Metadata$$anonfun$org$apache$spark$sql$types$Metadata$$hash$2.apply(Metadata.scala:196)
at org.apache.spark.sql.types.Metadata$$anonfun$org$apache$spark$sql$types$Metadata$$hash$2.apply(Metadata.scala:196)
... etc

我试图在不读取csv文件的情况下创建相同的DataFrame，

df = sqlContext.createDataFrame(
  [('asd2s','1e1e',1.1,0), ('asd2s','1e1e',0.1,0), 
  (None,'1e3e',1.2,0), ('bd34t','1e1e',5.1,1), 
  ('asd2s','1e3e',0.2,0), ('bd34t','1e2e',4.3,1)],
  ['x0','x1','x2','x3'])

它给出了同样的错误 . 有点不同的例子很好，

df = sqlContext.createDataFrame(
  [(0, None, 1.2), (1, '06330986ed', 2.3), 
  (2, 'b7584c2d52', 2.5), (3, None, .8), 
  (4, 'bd17e19b3a', None), (5, '51b5c0f2af', 0.1)],
  ['id', 'x0', 'num'])

// after indexing x0

+---+----------+----+------+
| id|        x0| num|x0_idx|
+---+----------+----+------+
|  0|      null| 1.2|   0.0|
|  1|06330986ed| 2.3|   2.0|
|  2|b7584c2d52| 2.5|   4.0|
|  3|      null| 0.8|   0.0|
|  4|bd17e19b3a|null|   1.0|
|  5|51b5c0f2af| 0.1|   3.0|
+---+----------+----+------+

Update 2:

我刚刚在Scala中发现了同样的问题，所以我猜这只是Spark bug而不是PySpark . 特别是数据框架

val df = sqlContext.createDataFrame(
  Seq(("asd2s","1e1e",1.1,0), ("asd2s","1e1e",0.1,0), 
      (null,"1e3e",1.2,0), ("bd34t","1e1e",5.1,1), 
      ("asd2s","1e3e",0.2,0), ("bd34t","1e2e",4.3,1))
).toDF("x0","x1","x2","x3")

索引'x0'功能时抛出java.lang.NullPointerException . 此外，在下一个数据帧中索引“x0”时

val df = sqlContext.createDataFrame(
  Seq((0, null, 1.2), (1, "b", 2.3), 
      (2, "c", 2.5), (3, "a", 0.8), 
      (4, "a", null), (5, "c", 0.1))
).toDF("id", "x0", "num")

我有'java.lang.UnsupportedOperationException：不支持类型Any的架构'，这是由第5个向量中缺少'num'值引起的 . 如果用数字替换它，一切都很好，即使在第一个向量中缺少值 .

我也尝试过旧版本的Spark（1.4.1），结果是一样的 .

python apache-spark apache-spark-sql pyspark apache-spark-ml

2 回答

  • 9

    它看起来像你正在使用的模块将空字符串转换为空值，并且它在某些时候与下游处理混乱 . 乍一看it looks like a PySpark bug .

    怎么解决？一个简单的解决方法是在索引之前删除空值：

    features.na.drop()

    或者用一些占位符替换null：

    from pyspark.sql.functions import col, when

features.withColumn(
    "x0", when(col("x0").isNull(), "__SOME_PLACEHOLDER__").otherwise(col("x0")))

    此外，您可以使用spark-csv . 它是高效的，经过测试，并且作为奖励不会将空字符串转换为 nulls .

    features = (sqlContext.read
    .format('com.databricks.spark.csv')
    .option("inferSchema", "true")
    .option("header", "true")
    .load("tmp.csv"))
    回复于
  • 0

    那么，目前，唯一的解决方案是摆脱像@ zero323提议的NA，或者使用toPandas（）方法将Spark DataFrame转换为Pandas DataFrame，并使用sklearn Imputer或任何自定义imputer（例如Impute categorical missing values in scikit-learn）对数据进行估算，然后转换Pandas Dataframe回到Spark DataFrame并使用它 . 尽管如此，问题仍然存在，我对Spark来说相对较新，所以我有可能错过一些东西 .

    回复于

相关问题