将函数应用于Spark中csv的单个列

Question

使用Spark我正在读取csv并希望将函数应用于csv上的列.我有一些有用的代码,但它非常hacky.这样做的正确方法是什么？

我的代码

SparkContext().addPyFile("myfile.py")
spark = SparkSession\
    .builder\
    .appName("myApp")\
    .getOrCreate()
from myfile import myFunction

df = spark.read.csv(sys.argv[1], header=True,
    mode="DROPMALFORMED",)
a = df.rdd.map(lambda line: Row(id=line[0], user_id=line[1], message_id=line[2], message=myFunction(line[3]))).toDF()

我希望能够只在列名称上调用函数,而不是将每一行映射到line然后调用函数line[index].

我正在使用Spark版本2.0.1

Answer 1

您可以简单地使用用户定义的函数(udf)与withColumn:

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

udf_myFunction = udf(myFunction, IntegerType()) # if the function returns an int
df.withColumn("message", udf_myFunction("_3")) #"_3" being the column name of the column you want to consider

这将向df包含结果的数据框添加一个新列myFunction(line[3]).