web-dev-qa-db-fra.com

ValueError: impossible de convertir la colonne en bool

J'essaye de construire une nouvelle colonne sur le dataframe comme ci-dessous:

l = [(2, 1), (1,1)]
df = spark.createDataFrame(l)

def calc_dif(x,y):
    if (x>y) and (x==1):
        return x-y

dfNew = df.withColumn("calc", calc_dif(df["_1"], df["_2"]))
dfNew.show()

Mais je reçois:

Traceback (most recent call last):
  File "/tmp/zeppelin_pyspark-2807412651452069487.py", line 346, in <module>
Exception: Traceback (most recent call last):
  File "/tmp/zeppelin_pyspark-2807412651452069487.py", line 334, in <module>
  File "<stdin>", line 38, in <module>
  File "<stdin>", line 36, in calc_dif
  File "/usr/hdp/current/spark2-client/python/pyspark/sql/column.py", line 426, in __nonzero__
    raise ValueError("Cannot convert column into bool: please use '&' for 'and', '|' for 'or', "
ValueError: Cannot convert column into bool: please use '&' for 'and', '|' for 'or', '~' for 'not' when building DataFrame boolean expressions.

Pourquoi ça arrive? Comment puis-je le réparer?

apache-sparkpysparkapache-spark-sqlpyspark-sql
5
Bruno Canal

Soit udf:

from pyspark.sql.functions import udf

@udf("integer")
def calc_dif(x,y):
    if (x>y) and (x==1):
        return x-y

ou cas où (recommandé)

from pyspark.sql.functions import when

def calc_dif(x,y):
    when(( x > y) & (x == 1), x - y)

Le premier calcule sur Python objets, le second sur Spark Columns

7
Alper t. Turker

Il se plaint parce que vous donnez à votre fonction calc_dif la totalité des objets de la colonne, pas les données réelles des lignes respectives. Vous devez utiliser un udf pour envelopper votre calc_dif fonction :

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

l = [(2, 1), (1,1)]
df = spark.createDataFrame(l)

def calc_dif(x,y):
    # using the udf the calc_dif is called for every row in the dataframe
    # x and y are the values of the two columns 
    if (x>y) and (x==1):
        return x-y

udf_calc = udf(calc_dif, IntegerType())

dfNew = df.withColumn("calc", udf_calc("_1", "_2"))
dfNew.show()

# since x < y calc_dif returns None
+---+---+----+
| _1| _2|calc|
+---+---+----+
|  2|  1|null|
|  1|  1|null|
+---+---+----+
3
mkaran

Pour tous ceux qui ont une erreur similaire: j'essayais de passer un rdd quand j'avais besoin d'un objet Pandas et j'ai eu la même erreur. Évidemment, je pouvais simplement le résoudre par un ".toPandas () "

0
Anne