如何展平结构类型数组的列（由Spark ML API返回）？

Question

也许仅仅是因为我对API不太熟悉，但是我觉得Spark ML方法经常返回不必要地难以使用的DF。

这次，是ALS模型让我大跌眼镜。具体来说，为recommendedForAllUsers方法。让我们重构将返回的DF的类型：

scala> val arrayType = ArrayType(new StructType().add("itemId", IntegerType).add("rating", FloatType))

scala> val recs = Seq((1, Array((1, .7), (2, .5))), (2, Array((0, .9), (4, .1)))).
  toDF("userId", "recommendations").
  select($"userId", $"recommendations".cast(arrayType))

scala> recs.show()

+------+------------------+
|userId|   recommendations|
+------+------------------+
|     1|[[1,0.7], [2,0.5]]|
|     2|[[0,0.9], [4,0.1]]|
+------+------------------+

+------+------------------+
|userId|   recommendations|
+------+------------------+
|     1|[[1,0.7], [2,0.5]]|
|     2|[[0,0.9], [4,0.1]]|
+------+------------------+

root
 |-- userId: integer (nullable = false)
 |-- recommendations: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- itemId: integer (nullable = true)
 |    |    |-- rating: float (nullable = true)

现在，我只关心itemId在recommendations列。毕竟，这种方法recommendForAllUsers不是recommendAndScoreForAllUsers（好吧，我将不再变得野蛮……）

我该怎么做呢？？

我以为我在创建UDF时就拥有了它：

scala> recs.printSchema

但这会产生错误：

scala> recs.withColumn("items", items($"recommendations"))
org.apache.spark.sql.AnalysisException: cannot resolve 'UDF(recommendations)' due to data type mismatch: argument 1 requires array<struct<_1:int,_2:float>> type, however, '`recommendations`' is of array<struct<itemId:int,rating:float>> type.;;
'Project [userId#87, recommendations#92, UDF(recommendations#92) AS items#238]
+- Project [userId#87, cast(recommendations#88 as array<struct<itemId:int,rating:float>>) AS recommendations#92]
   +- Project [_1#84 AS userId#87, _2#85 AS recommendations#88]
      +- LocalRelation [_1#84, _2#85]

有任何想法吗？谢谢！

Answer 1

哇，我的同事想出了一个非常优雅的解决方案：

scala> recs.select($"userId", $"recommendations.itemId").show
+------+------+
|userId|itemId|
+------+------+
|     1|[1, 2]|
|     2|[0, 4]|
+------+------+

所以毕竟Spark ML API并不难:)

Answer 2

使用数组作为列的类型，例如recommendations，使用爆炸函数（或更高级的 flatMap 运算符）会非常高效。

explode(e: Column): Column为给定数组或映射列中的每个元素创建一个新行。

这为您提供了可以使用的裸结构。

import org.apache.spark.sql.types._
val structType = new StructType().
  add($"itemId".int).
  add($"rating".float)
val arrayType = ArrayType(structType)
val recs = Seq((1, Array((1, .7), (2, .5))), (2, Array((0, .9), (4, .1)))).
  toDF("userId", "recommendations").
  select($"userId", $"recommendations" cast arrayType)

val exploded = recs.withColumn("recs", explode($"recommendations"))
scala> exploded.show
+------+------------------+-------+
|userId|   recommendations|   recs|
+------+------------------+-------+
|     1|[[1,0.7], [2,0.5]]|[1,0.7]|
|     1|[[1,0.7], [2,0.5]]|[2,0.5]|
|     2|[[0,0.9], [4,0.1]]|[0,0.9]|
|     2|[[0,0.9], [4,0.1]]|[4,0.1]|
+------+------------------+-------+

结构体在select带有*(star) 的运算符中很好，可以将它们展平为每个结构体字段的列。

你可以做select($"element.*")。

scala> exploded.select("userId", "recs.*").show
+------+------+------+
|userId|itemId|rating|
+------+------+------+
|     1|     1|   0.7|
|     1|     2|   0.5|
|     2|     0|   0.9|
|     2|     4|   0.1|
+------+------+------+

我认为这可以做你想要的。

ps 尽可能远离 UDF，因为它们会“触发”从内部格式 ( InternalRow) 到 JVM 对象的行转换，这可能导致过多的 GC。