使用Spark数据帧进行单元测试

Question

我正在尝试测试我的程序的一部分,它执行数据帧的转换我想测试这些数据帧的几个不同变体,这排除了从文件中读取特定DF的选项

所以我的问题是:

1. 有没有关于如何使用Spark和数据帧执行单元测试的优秀教程,特别是关于数据帧的创建？
2. 如何在没有大量样板的情况下创建这些不同的几行数据帧,而无需从文件中读取这些数据帧？
3. 是否有任何实用程序类用于检查数据框内的特定值？

我之前显然用谷歌搜索过,但找不到任何非常有用的东西.我找到的更有用的链接包括:

• 使用数据框运行基本单元测试
• 使用DF定制断言

如果示例/教程在Scala中会很棒,但我会采用你所拥有的任何语言

提前致谢

Answer 1

此链接显示了我们如何以编程方式创建具有模式的数据框.您可以将数据保存在单独的特征中,并将其与测试混合.例如,

// This example assumes CSV data. But same approach should work for other formats as well.

trait TestData {
  val data1 = List(
    "this,is,valid,data",
    "this,is,in-valid,data",
  )
  val data2 = ...  
}

然后使用ScalaTest,我们可以做这样的事情.

class MyDFTest extends FlatSpec with Matchers {

  "method" should "perform this" in new TestData {
     // You can access your test data here. Use it to create the DataFrame.
     // Your test here.
  }
}

要创建DataFrame,您可以使用以下几种util方法.

  def schema(types: Array[String], cols: Array[String]) = {
    val datatypes = types.map {
      case "String" => StringType
      case "Long" => LongType
      case "Double" => DoubleType
      // Add more types here based on your data.
      case _ => StringType
    }
    StructType(cols.indices.map(x => StructField(cols(x), datatypes(x))).toArray)
  }

  def df(data: List[String], types: Array[String], cols: Array[String]) = {
    val rdd = sc.parallelize(data)
    val parser = new CSVParser(',')
    val split = rdd.map(line => parser.parseLine(line))
    val rdd = split.map(arr => Row(arr(0), arr(1), arr(2), arr(3)))
    sqlContext.createDataFrame(rdd, schema(types, cols))
  }

我不知道用于检查DataFrame中的特定值的任何实用程序类.但我认为使用DataFrame API编写一个应该很简单.