在带有pyspark的数据帧上使用udf函数的列文字错误

Question

我正在尝试在带有 pyspark 的数据帧上使用 udf 函数，但收到有关列文字的错误并建议我使用“lit”、“array”、“struct”或“create_map”函数。我不清楚如何做到这一点。

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

def compareElem(elem):
    return elem[1]

def getSmallest(type, final_list):
  final_list.sort(key=compareElem)
  print(final_list)
  l = final_list[0][0]
  print('idx=', l)
  if type == 1:
    l = (((l/4)+1)*4)-1

  return l

功能在列表输入上正常工作

getSmallest(0, [ ( 0, 1), (1, 1.1), (2, 0.5) ])

返回

[(2, 0.5), (0, 1), (1, 1.1)] 
('idx=', 2)

但是在这里与 udf 和 dataframe 列一起使用时失败

func_udf = udf(getSmallest, IntegerType())

raw_dataset_df = raw_dataset_df.withColumn('result',func_udf( 
  raw_dataset_df['type'], [ ( 0, raw_dataset_df['Icorr_LBT01_R'] ), (1, raw_dataset_df['Icorr_LBT01_S']) ] ));

我收到以下错误

TypeError: Invalid argument, not a string or column: [(0, Column<Icorr_LBT01_R>), (1, Column<Icorr_LBT01_S>)] of type <type 'list'>. For column literals, use 'lit', 'array', 'struct' or 'create_map' function.

不确定这意味着什么或如何解决。我尝试在每个 Column 元素周围环绕 lit，但不清楚这应该做什么，它对我不起作用。

Answer 1

UDF 中的任何参数都应该是一列。在你的情况下[ ( 0, raw_dataset_df['Icorr_LBT01_R'] ), (1, raw_dataset_df['Icorr_LBT01_S']) ]，它不是一个列，它是一个列表（python 对象），你不能在你的 udf 中使用它。