如何提高Spark的小数精度？

Question

我有一个大型的DataFrame，由大约550列的双精度数和两列的long（id）组成。550列正在从csv中读取，我添加了两个id列。我对数据所做的唯一其他事情是将某些csv数据从字符串更改为双精度（“ Inf”->“ 0”，然后将列强制转换为双精度）并将NaN替换为0：

df = df.withColumn(col.name + "temp", 
                             regexp_replace(
                                 regexp_replace(df(col.name),"Inf","0")
                                 ,"NaN","0").cast(DoubleType))
df = df.drop(col.name).withColumnRenamed(col.name + "temp",col.name)
df = df.withColumn("timeId", monotonically_increasing_id.cast(LongType))
df = df.withColumn("patId", lit(num).cast(LongType))
df = df.na.fill(0)

计数时，出现以下错误：

IllegalArgumentException: requirement failed: Decimal precision 6 exceeds max precision 5

有成千上万的行，我正在从多个csvs中读取数据。如何提高小数精度？还有其他可能发生的事情吗？当我阅读某些csv时，只会收到此错误。他们可以拥有比其他小数更多的小数吗？

Answer 1

我认为该错误很容易解释-您需要使用a DecimalType而不是a DoubleType。

尝试这个：

...
.cast(DecimalType(6)))

继续阅读：

https://spark.apache.org/docs/2.1.0/api/java/org/apache/spark/sql/types/DecimalType.html

http://spark.apache.org/docs/2.0.2/api/python/_modules/pyspark/sql/types.html

用于在pyspark中处理大数的数据类型