Spark UDF 不适用于 Double 字段中的空值

Question

我正在尝试编写一个 spark UDF，用 0.0 替换 Double 字段的空值。我正在使用数据集 API。这是UDF：

val coalesceToZero=udf((rate: Double) =>  if(Option(rate).isDefined) rate else 0.0)

这是基于我测试可以正常工作的以下功能：

def cz(value: Double): Double = if(Option(value).isDefined) value else 0.0

cz(null.asInstanceOf[Double])
cz: (value: Double)Double
res15: Double = 0.0

但是当我以下列方式在 Spark 中使用它时，UDF 不起作用。

myDS.filter($"rate".isNull)
    .select($"rate", coalesceToZero($"rate")).show

+----+---------+
|rate|UDF(rate)|
+----+---------+
|null|     null|
|null|     null|
|null|     null|
|null|     null|
|null|     null|
|null|     null|
+----+---------+

但是，以下工作：

val coalesceToZero=udf((rate: Any) =>  if(rate == null) 0.0 else rate.asInstanceOf[Double])

所以我想知道 Spark 是否有一些特殊的方式来处理 null Double 值。

Answer 1

scala.Double不能null和您使用的功能似乎只因为：

scala> null.asInstanceOf[Double]
res2: Double = 0.0

（您可以在If an Int can't be null, what does null.asInstanceOf[Int] mean? 中找到描述此行为的优秀答案。）。

如果myDS是静态类型数据集，正确的方法是使用 use Option[Double]：

case class MyCaseClass(rate: Option[Double])

或java.lang.Double：

case class MyCaseClass(rate: java.lang.Double)

这两者中的任何一个都允许您处理nulls静态类型的 API（不是 SQL / DataFrame），从性能角度来看，后者表示是有利的。

一般来说，我建议NULLs使用 SQL API 进行填充：

import org.apache.spark.sql.functions.{coalesce, lit}

myDS.withColumn("rate", coalesce($"rate", lit(0.0)))

或DataFrameNaFunctions.fill：

df.na.fill(0.0, Seq("rate"))

在转换Dataset[Row]为Dataset[MyCaseClass].