scala - read - ¿Cómo aplicar una función a una columna de un Spark DataFrame?

spark sql example

Question

Supongamos que tenemos un Spark DataFrame

df.getClass
Class[_ <: org.apache.spark.sql.DataFrame] = class org.apache.spark.sql.DataFrame

con el siguiente esquema

df.printSchema
root
|-- rawFV: string (nullable = true)
|-- tk: array (nullable = true)
| |-- element: string (containsNull = true)

Dado que cada fila de la columna tk es una matriz de cadenas, ¿cómo escribir una función de Scala que devolverá el número de elementos en cada fila?

Answer 1

Una forma es acceder a ellos utilizando el sql como a continuación.

df.registerTempTable("tab1")
val df2 = sqlContext.sql("select tk[0], tk[1] from tab1")
df2.show()

Para obtener el tamaño de la columna de matriz,

val df3 = sqlContext.sql("select size(tk) from tab1")
df3.show()

Si su versión Spark es anterior, puede usar HiveContext en lugar del contexto SQL de Spark.

También probaría algo que atraviese.

Answer 2

No tiene que escribir una función personalizada porque hay una:

import org.apache.spark.sql.functions.size
df.select(size($"tk"))

Si realmente lo deseas, puedes escribir un udf :

import org.apache.spark.sql.functions.udf
val size_ = udf((xs: Seq[String]) => xs.size)

o incluso crear una expresión personalizada, pero realmente no tiene sentido.