Pyspark Dataframe将函数应用于两列

Question

假设我有两个PySpark DataFrames df1和df2.

df1=   'a' 
        1    
        2    
        5    

df2=   'b'
        3
        6

我想df2['b']为每个值找到最接近的值df1['a'],并将最接近的值添加为新列df1.

换句话说,每个值x的df1['a'],我想找到一个y即实现min(abx(x-y))对所有y in df2['b'](注:可以假设,仅仅是有一个y能够实现的最小距离),其结果将是

'a'    'b'
 1      3
 2      3
 5      6

我尝试使用以下代码首先创建距离矩阵(在找到达到最小距离的值之前):

from pyspark.sql.types import IntegerType
from pyspark.sql.functions import udf

def dict(x,y):
    return abs(x-y)
udf_dict = udf(dict, IntegerType())

sql_sc = SQLContext(sc)
udf_dict(df1.a, df2.b)

这使

Column<PythonUDF#dist(a,b)>

然后我试了一下

sql_sc.CreateDataFrame(udf_dict(df1.a, df2.b))

它会永远运行而不会产生错误/输出.

我的问题是:

1. 由于我是Spark的新手,我构建输出DataFrame的方法是否有效？(我的方法是首先为所有a和b值创建一个距离矩阵,然后找到min一个)
2. 我的代码的最后一行有什么问题以及如何修复它？

Answer 1

从第二个问题开始 - 您只能将udf应用于现有数据框,我认为您正在考虑这样的事情:

>>> df1.join(df2).withColumn('distance', udf_dict(df1.a, df2.b)).show()
+---+---+--------+
|  a|  b|distance|
+---+---+--------+
|  1|  3|       2|
|  1|  6|       5|
|  2|  3|       1|
|  2|  6|       4|
|  5|  3|       2|
|  5|  6|       1|
+---+---+--------+

但是有一种更有效的方法来应用这个距离,使用内部abs:

>>> from pyspark.sql.functions import abs
>>> df1.join(df2).withColumn('distance', abs(df1.a -df2.b))

然后你可以通过计算找到匹配的数字:

>>> distances = df1.join(df2).withColumn('distance', abs(df1.a -df2.b))
>>> min_distances = distances.groupBy('a').agg(min('distance').alias('distance'))
>>> distances.join(min_distances, ['a', 'distance']).select('a', 'b').show()
+---+---+                                                                       
|  a|  b|
+---+---+
|  5|  6|
|  1|  3|
|  2|  3|
+---+---+