我有一个具有以下结构的火花数据帧 . bodyText_token具有标记(处理/单词集) . 我有一个已定义关键字的嵌套列表
root
|-- id: string (nullable = true)
|-- body: string (nullable = true)
|-- bodyText_token: array (nullable = true)
keyword_list=['union','workers','strike','pay','rally','free','immigration',],
['farmer','plants','fruits','workers'],['outside','field','party','clothes','fashions']]
我需要检查每个关键字列表下有多少令牌,并将结果添加为现有数据帧的新列 . 例如:如果 tokens =["become", "farmer","rally","workers","student"]
,结果将是 - > [1,2,0]
以下功能按预期工作 .
def label_maker_topic(tokens,topic_words):
twt_list = []
for i in range(0, len(topic_words)):
count = 0
#print(topic_words[i])
for tkn in tokens:
if tkn in topic_words[i]:
count += 1
twt_list.append(count)
return twt_list
我在withColumn下使用了udf来访问该函数,但是我收到了一个错误 . 我认为这是关于将外部列表传递给udf . 有没有办法可以将外部列表和datafram列传递给udf并向我的数据帧添加新列?
topicWord = udf(label_maker_topic,StringType())
myDF=myDF.withColumn("topic_word_count",topicWord(myDF.bodyText_token,keyword_list))
2 回答
最干净的解决方案是使用闭包传递其他参数:
这不需要对
keyword_list
或您使用UDF包装的函数进行任何更改 . 您还可以使用此方法传递任意对象 . 这可以用于传递例如sets
的列表以进行有效的查找 .如果要使用当前的UDF并直接传递
topic_words
,则必须先将其转换为列文字:根据您的数据和要求,可以使用替代的,更有效的解决方案,这些解决方案不需要UDF(爆炸聚合崩溃)或查找(散列矢量操作) .
以下工作正常可以将任何外部参数传递给UDF(一个经过调整的代码来帮助任何人)